Benjamin BOURBON

– Prédiction de la répartition des ventes par marque de fabrication, basée sur le marché des pièces détachées et des ventes de pneus d'origine et de remplacement par année, localisation et marque. – Nettoyage des données, analyse des données, développement de modèles de Machine Learning, mise en place d'un pipeline ETL.

– Optimisation du trafic aérien Beluga dans le but de maximiser le taux d'occupation des Beluga et de minimiser le trajet Beluga. – Analyse de données afin de proposer un modèle adaptatif à ce problème de satisfaction de contraintes NP-complet. – Développement d'un modèle Branch and Bound avec heuristiques.

– Logiciel permettant d'exploiter les données décentralisées sans les centraliser chez un fournisseur Cloud en les traitant directement localement à la source, avec de l'apprentissage fédéré (Federated Learning) sur des appareils embarqués tels que NVIDIA Jetson et Raspberry Pi. – Logiciel développé en Python et Rust à l'aide des protocoles gRPC et MQTT, du framework Docker et Kubernetes et de la base de données MongoDB divisée en trois parties: ► Composant utilisateur écrit en Python ► Composant serveur en tant qu'architecture de microservice écrite en Python ► Composant de nœud pour les périphériques embarqués écrits en Rust – Une année soutenue par INRIA Startup Studio avec des cours et événements d'entrepreneuriat comme le WAICF 2025 en tant qu'exposant et INRIA Fête des startups. – Management d'un stagiaire pendant 5 mois pour développer un algorithme optimisé pour orchestrer des tâches distribuées.

– Implémentation de nouvelles fonctionnalités sur un simulateur de gaz écrit en Python et Cython ainsi que sa maintenance, basée sur un schéma numérique de simulation unidimensionnelle de mélanges de gaz parfaits à température constante. – Mise en place d'un graphe acyclique direct (DAG) avec l'outil Airflow pour générer un rapport de métriques (dashboard) avec requêtes vers un bucket S3 (AWS Cloud) pour accès aux topologies d'entrée et stockage du rapport vers le S3 une fois terminé.

– Simuler un environnement d'apprentissage fédéré et expérimenter différents algorithmes en utilisant l'apprentissage par renforcement pour une meilleure agrégation ou pour mieux sélectionner les prochains participants.