Baptiste Berthaud

Contexte : Leader français de la distribution d’électricité, gestionnaire d’un réseau de 38M+ compteurs Linky. Besoin : Industrialiser l’analyse des données pour piloter la performance du réseau et anticiper les mises à jour logicielles Mission : Automatiser et optimiser le traitement des données de fonctionnement logiciel issues des compteurs Linky, en collaboration avec les équipes techniques et métiers, pour améliorer la performance du réseau et la prise de décision opérationnelle Résultats clés : • Développement d’un ETL automatisé en SQL/Python (Polars), réduisant de 75 % le temps de traitement et divisant par 3 l’espace de stockage des données • Création de dashboards Power BI/Tableau pour le suivi des performances (taux de communication, anomalies) • Aide à la décision avec une approche statistique (A/B Testing) pour évaluer l’impact d’une mise à jour logicielle sur les performances du réseau Stack technique : SQL, Python (Polars, Pandas), Power BI, Tableau Compétences transverses : Industrialisation de pipelines data, collaboration pluridisciplinaire (tech/métiers), communication d’insights techniques à des non-experts

Contexte : Intervention en Data Science & Machine Learning pour des publics variés : étudiants en reconversion et professionnels en upskilling. Objectif : Rendre accessibles des concepts techniques avancés et préparer les apprenants aux défis concrets de l’IA en entreprise Mission : Concevoir et animer des cours théoriques et pratiques sur des thèmes clés de l’IA, en adaptant le contenu aux niveaux des participants. Focus sur l’application métier des algorithmes et la résolution de problèmes réels Résultats clés : • Création ou appropriation de supports pédagogiques (slides, quizz, notebooks Jupyter) pour les modules : o Statistiques et probabilités : Fondamentaux pour la modélisation et l’analyse des données (EDA, tests d’hypothèses, analyse de variance) o Machine Learning supervisé/non supervisé : Régression, classification, clustering (KMeans) o Time Series : Modélisation de données temporelles avec ARIMA o NLP : Traitement du langage naturel et RNN avec les transformers • Accompagnement projet : Encadrement de groupes sur des cas réels (ex : algorithme de recommandations de livres basés sur les films vus, prédiction de la puissance d’un cycliste) • Formation de 100+ apprenants (étudiants, professionnels), avec un taux de satisfaction de 92 NPS (évaluations post-formation) Stack technique enseignée : Python (NumPy, Pandas, Scikit-learn), Jupyter Notebooks, NLP (nltk, TensorFlow), Time Series (Statsmodels, Prophet) Compétences transverses : Pédagogie adaptative, conception de contenus, veille technologique

Contexte : Projet R&D chez Amadeus (leader mondial des technologies pour le voyage) visant à développer une plateforme de recommandation d’activités touristiques Mission : Concevoir, entraîner et évaluer un modèle d’IA capable de catégoriser des activités touristiques (musées, randonnées, vélo, etc.), en explorant différentes approches pour maximiser la précision et l’adaptabilité du système Résultats clés : • Classification multi-class NLP (TF-IDF, BERT) avec précision de 92 % sur le jeu de test • Amélioration de la qualité du jeu de données d’apprentissage en annotant les descriptions des activités touristiques • Expérimentation de 3 approches (supervisée, non supervisée, semi-supervisée) et sélection du modèle optimal Stack technique : Python (Pandas, Scikit-learn, TensorFlow), NLP (TF-IDF, BERT), Clustering (K-Means), Classification (XGBoost, Random Forest)

Contexte : Stage en consulting data pour des clients publics et industriels, avec un focus sur la visualisation de données et l’optimisation de processus métiers Mission : Développer des solutions data pour améliorer la prise de décision et l’efficacité opérationnelle, en collaboration avec les équipes IT Résultats clés : • Création de dataviz interactives avec D3.js pour la Métropole de Lyon, permettant une analyse visuelle des données urbaines (ex : taille de la population par commune, répartition des entreprises par secteur d’activité) • Analyse Process Mining avec Celonis pour des clients industriels : o Cartographie du processus Order-to-Cash (O2C) depuis des données de SAP o Identification des goulots d’étranglement et proposition de leviers d’amélioration Stack technique : D3.js, Celonis, SAP, Data Visualization

Contexte : Stage en ingénierie ML pour améliorer un système de détection de véhicules en sortie de péage via du transfer learning Mission : Optimiser un réseau de neurones pré-entraîné pour une détection en temps réel Résultats clés : • Ré-entraînement par transfer learning (TensorFlow) d’un modèle existant et intégration avec OpenCV pour le traitement vidéo, améliorant la précision de détection de 10 % • Développement d’un outil de validation des prédictions du réseau de neurones par un utilisateur métier Stack technique : Python (TensorFlow, OpenCV), Transfer Learning

Contexte : Développement d’une application de reconnaissance d’images basée sur du deep learning pour catégoriser des montres de luxe Mission : Concevoir et entraîner un modèle de deep learning pour une détection visuelle de montres Résultats clés : • Développement d’un modèle PyTorch avec intégration d’OpenCV pour la reconnaissance d’images, avec une précision de 90 % sur le jeu de test • Application opérationnelle déployée et testée sur des cas d’usage réels Stack technique : Python (PyTorch, OpenCV), Deep Learning