Benjamin Tardy

Dans une équipe de 5 personnes, les aider concrètement à mettre en place plusieurs bonnes pratiques autour de : La découverte des use-cases et les différentes étapes d’un projet IA La gestion de projet dans les spécificités particulières du machine learning, data science et IA générative. Les bonnes pratiques de code, MLOps et LLMOps. La relation multi-interlocuteurs entre la direction, le métier, la technique Formation et accompagnement méthodologique des différents profils

Intégré à une équipe produit, responsabilités de mise en oeuvre et de la performance de la brique IA. Conception et développement d’une pipeline complète de traitement documentaire (ingestion PDF, OCR, normalisation, extraction des éléments métier, post-processing, production du CSV). Industrialisation et déploiement cloud Construction de l’ensemble de la chaîne CI/CD Mise en place de tests unitaires et de tests end-to-end automatisés automatisés intégrés à la CI/CD Amélioration continue de la fiabilité, de la performance et de la maintenabilité de l’application grâce à une démarche mêlant IA engineering et MLOps Environnement technique : Python, AWS Lambda, S3, ECS, Step function, Bedrock, Textract. terraform, Gitlab CI, LLM, Pydantic, uv

Cadrage de différents projets (lead scoring, formation et évaluation des commerciaux en centres d'appels). Aide sur le choix technologique des briques de la stack data / data science (model registry, outils de serving tels que Seldon / Kserve, BentoML)... Industrialisation d’un projet de calcul de valeur client avec dbt et Dagster. Mentorat et accompagnement de 2 data scientists juniors dans leurs travaux. Réalisation de POC pour évaluer la faisabilité sur différents sujets. Lead scoring : ingestion des données, prédiction du taux de conversion et estimation du potentiel en valeur monétaire. Évaluation des commerciaux : utilisation de speech-to-text et de LLM pour vérifier la conformité des appels avec les règles métiers. Export des résultats en base de données. Environnement technique : Python, Azure, Databricks, Dagster, Snowflake, GitLab, Whisper, LangChain, OpenAI, LLaMA, Gemma, Ollama.

Refonte du moteur de recherche pour augmenter le panier moyen des utilisateurs en appliquant des techniques de NLP, d'embeddings et de calculs de similarité/proximité. Orchestration des jobs de preprocessing et d'entraînement du modèle via GitHub Actions. Déploiement du modèle sous forme d'une API FastAPI containerisée avec Kubernetes. Environnement technique : Python, GCP, GitHub, Docker, Kubernetes, dbt, FastAPI, Gensim, spaCy, FastText, scikit-learn.

Mise en place from scratch du moteur de recommendation à usage des plateformes de streaming clientes (6play, salto, videoland, rtl...). Mise en production de l'algo avec une équipe de Data Engineers sur AWS à l'aide de databricks / stepfunctions / dynamoDB et une API pour interfacer les résultats et le back-end. Algo testés : aws personalize, ALS, Neural collaborative filtering. A date : ALS en production chez 6play et rtl. Stack techo : AWS, Pyspark, Python, Airflow, Databricks, Mlflow, New Relics, Github

Formateur inter / intra-entreprise sur différents domaines autour de la Data Science / machine learning / python

Mentorat de plusieurs étudiants sur les parcours : - Data Scientist : https://openclassrooms.com/fr/paths/164-data-scientist - Ingénieur Machine Learning : https://openclassrooms.com/fr/paths/148-ingenieur-machine-learning - Data Analyst : https://openclassrooms.com/fr/paths/65-data-analyst Mon rôle est d'accompagner au mieux chaque étudiant dans son apprentissage et de le guider sur les projets constitutifs des différents parcours.

NLP : text summarization (extractive methods), LSTM, topic modeling Computer vision : POC cabine d'essayage virtuel (calcul des mensuration et projection des vêtements sur la silhouette)

Keyrus est un acteur international de la transformation et de la performance des entreprises qui ambitionne de se positionner comme le partenaire stratégique de ses clients en les accompagnant dans l’analyse et la valorisation de leurs données, le développement et la maîtrise de leur expérience digitale. - Machine learning / deep learning. - Industrialisation d'un projet machine learning / deep sur AWS. - Mentorat du IA santé Challenge dont l’objectif était de déterminer automatiquement, sur la base de photos de peaux, à partir de quelle intensité de couleur une brûlure liée à l’exposition au soleil devient critique. - Création d'une application d'OCR appliquée aux note de frais. - Animation d'une newsletter sur les avancées en intelligence artificielle Environnement technique : Python, Tensorflow, Keras, AWS (EC2, SQS, S3, lambdas)

Cegid Group est une société spécialisée dans l'édition de logiciels de gestion et de systèmes d'information pour les entreprises et les entrepreneurs. - Elaboration de divers modèles statistiques pour la prédiction et la segmentation dans le domaine du marketing et des ressources humaines. - Industrialisation des modèles et injection des résultats dans les outils internes de vente et de reporting. - Mise en place d’une stratégie de vente autour du géomarketing. - Enrichissement des bases de données grâce au webscraping. - Recommandations d’outils, évangélisation d’une « vision data » au sein du groupe. Environnement technique : R, Python (scrapy), IBM SPSS Modeler, IBM Data Science Experience, Azure Machine Learning, SQL Server, Splunk, Visual Crossing

Feu Vert est un des leaders sur le marché de la réparation et de la vente d'accessoires automobile. - Analyse des études de satisfaction (questionnaire et commentaires) grâce aux techniques de textmining, d’analyse de sentiments et création de modèles prédictifs dans le but de hiérarchiser l’importance des items. - Expliquer la sur ou la sous-performance des magasins du réseau en travaillant sur les données internes et sur des données externes (API météo, Google Distance Matrix, localisation des concurrents). Environnement technique : R (leaflet), Python (BeautifulSoup), SQL Server, Splunk

National Pen produit et vend des produits marketing personnalisés auprès de professionnels - Sous SAS, créer des modèles statistiques de scoring et sélectionner les plus performants. - Réaliser le ciblage client. - Créer et alimenter des datamarts à l'aide de SQL server. - Répondre aux demandes de l'équipe marketing en produisant des indicateurs pour aider la prise de décision.