Bintou Koita

Projet 1: Agent d'IA Générative pour l'Automatisation Marketing- Python – Conception d'un agent autonome (RAG avancé) pour automatiser la génération de "Flash Infos Marketing" personnalisés pour les établissements bancaires. – Développement agentique avec LangGraph (StateGraph), orchestrant des Tools personnalisés (Function Calling) pour interroger des bases de données BigQuery, traiter les données, et effectuer des recherches sémantiques. – Industrialisation et déploiement de l'API de l'agent : – Création d'une API Flask avec un format de sortie JSON structuré et validé via Pydantic. – Conteneurisation de l'application avec Docker et stockage de l'image sur Artifact Registry. – Déploiement en mode serverless sur Cloud Run à travers des environnements multiples (Bench, UAT, Prod) via un pipeline CI/CD. Projet 2: Prédiction de Séries Temporelles avec Kubeflow - Python – Mise en place d'un pipeline MLOps complet sur Vertex Al Pipelines (Kubeflow) pour un modèle LSTM pour prédire le nombre d'autorisations par seconde. Développement du pipeline avec le SDK Kubeflow pour automatiser les étapes : entraînement, évaluation, et déploiement. – Automatisation du re-training via la planification de jobs avec Cloud Scheduler. Projet 3: Détection d'Anomalies avec BigQuery ML et Dataproc – SQL bigquery – Développement d'un modèle ARIMA+ sur BigQuery ML pour la détection d'anomalies, incluant l'optimisation des hyperparamètres et l'évaluation de la performance. – Création d'un pipeline de données et de ML orchestré par Apache Airflow (Composer): – Définition de l'ensemble du pipeline (DAGs Airflow, jobs Dataproc, requêtes SQL) dans des modules Terraform. – Déploiement automatisé via un workflow Git et des commandes terraform ciblées par environnement.

Cadrage et conception produit – Identifications des besoins clients – Étude comparative des fournisseurs de données Phase de développement – Développement d'un modèle de scoring ESG avec le modele XGBoost – Automatisation des pipelines de collecte et transformation des données via PySpark et Azure Databricks. – Mise en place d'un moteur de web scraping pour l'identification des entreprises labellisées ESG.

– Développement d'une application Azure pour l'accès automatisé aux contenus Microsoft Exchange via Python. – Analyse statistique et NLP (NLTK) pour la transformation et l'exploitation des données textuelles. – Conception d'un moteur de recommandation hybride (filtrage collaboratif + cosinus de similarité). – Industrialisation via Mlflow : gestion des artefacts, métriques, paramètres et modèles. – Automatisation de la documentation technique avec Sphinx.

– Analyser les exigences métier en fonction de la priorisation fournie par le Product Owner. – Travailler en étroite collaboration avec le PO pour l'aider à décomposer les besoins métiers en User Stories détaillées – Analyser l'impact de la conception du produit sur l'architecture fonctionnelle SI – Gestion de mise en jour des scénarios