Bruno Stordeur

Contexte : Conception d'un système de scoring et de détection de fraude en temps réel pour le projet européen de paiement instantané et de portefeuille numérique (8 à 10 millions de transactions par mois, en croissance continue), lancé sans historique de fraude (cold start). ▪ Développement et déploiement de modèles de scoring temps réel : classification supervisée (XGBoost, RandomForest) et extraction de règles auditables par parsing des arbres de décision. ▪ Correction de la sous-déclaration de fraude par conception d'une variable de « fraude propagée » (transactions refusées entre contreparties liées à au moins une fraude confirmée) : amélioration substantielle de la qualité des labels et des performances des modèles. ▪ Détection d'anomalies non supervisée (Isolation Forest) et segmentation des comportements utilisateurs (DBSCAN, clustering hiérarchique). ▪ Feature engineering, sélection de variables par valeurs de Shapley et optimisation systématique des hyperparamètres (grid search, random search, Optuna). ▪ Conception des règles de cold start pour encadrer les scores au lancement et minimiser les faux positifs. ▪ Monitoring en production sur IBM Safer Payments : suivi de performance, détection de dérive et ajustement dynamique des seuils. ▪ Analyse exploratoire des comportements suspects sur des historiques de ~40 millions de transactions (PySpark), avec optimisation des jobs Spark pour tenir dans les ressources de calcul disponibles — typologies P2P, e-/m-commerce. Environnement technique : Python, SQL, PySpark, Scikit-learn, XGBoost, GitHub, Apache Zeppelin, Hue, IBM SaferPayments

Contexte : Gestion des risques opérationnels par l'analyse des incidents historiques, afin de cibler les zones à risques et de réduire les coûts associés. ▪ Structuration et fiabilisation de la base d'incidents internes multi-sources selon les typologies de risque (fraude, erreurs humaines, défaillances système). ▪ Analyse de causes racines (root cause analysis) : mise en relation des incidents avec les processus, systèmes et business units défaillants. ▪ Analyse des corrélations et détection de motifs récurrents sur les périmètres à risque. ▪ Restitution en comités métier : visualisations, vulgarisation des insights et recommandations actionnables. Environnement technique : Dataiku, Python, SQL

Contexte : Aide à la décision médicale par machine learning et deep learning sur signaux physiologiques continus, pour l'anticipation des événements d'hypertension intracrânienne. ▪ Modélisation de la pression artérielle et intracrânienne par réseaux CNN-LSTM (prédiction step-by-step sur séries temporelles de capteurs). ▪ Classification des épisodes d'hypertension et benchmark d'architectures (TCN, CNN, LSTM, Random Forest). ▪ Génération de données synthétiques temporelles (DGAN) pour enrichir des séries cliniques rares et déséquilibrées. ▪ Conception de métriques de validation dédiées (Dynamic Time Warping) pour qualifier les séquences exploitables. ▪ Veille scientifique continue et validation des résultats avec les praticiens hospitaliers. Environnement technique : Python, SQL, Scikit-learn, Pandas, NumPy, Keras, TensorFlow, Linux, Bitbucket, Docker

helped me get this job

Création et développement d'outils pour Naval Group (leader européen de la défense navale) dans le domaine des liaisons de données tactiques - Auto-formation C++/Qt - Création d'un outil de séparation de flux pour diviser le flux de messages techniques et tactiques en deux flux si nécessaire - Correction de bugs et implémentation de nouvelles fonctionnalités sur les différents outils tactiques dans le cadre de la méthode de travail agile SCRUM.

Analyse de signaux sur graphes par bases d'ondelettes probabilistes - Comprendre l'approche et la méthode mathématique - Nettoyer les données pour les exploiter au mieux - Utiliser les algorithmes (déjà codés) sur des données et interpréter les résultats