Charlie QUILLARD

⭐ Projet 1 – Agent IA "Product Copilot" Objectif Automatiser la priorisation des epics et la planification des sprints pour assister les PO/PM et fluidifier le delivery produit. Action Clés - Conception d’un agent IA en Python (Langchain, OpenAI, FastAPI), capable de : - Générer des spécifications techniques à partir de tickets fonctionnels - Prioriser les epics selon l’impact business - Optimiser les plannings de sprint en fonction de la vélocité et de la capacité des équipes - Approche agile (SCRUM) et définition complète de l’architecture fonctionnelle et technique. ⭐ Projet 2 – Coach IA pour Ventes Objectif Développement d’un agent IA pour analyser les appels commerciaux et fournir un feedback contextuel, visant à améliorer la performance des équipes de vente. Actions clés - Orchestration du pipeline avec n8n : ingestion des appels, transcription, traitement automatisé - Implémentation d’un moteur RAG pour enrichir l’analyse avec le playbook commercial - Développement d’un chatbot en Python générant un feedback structuré (objections oubliées, recommandations personnalisées) ⭐ Certifications & Montée en compétence IA/Produit - PSPO II – Professional Scrum Product Owner (Scrum.org) – 2025 - Formation continue : gestion produit agile (roadmap, user story mapping, OKRs) - Expertise technique renforcée sur : - RAG / NLP / N8N / Langchain / OpenAI API - Structuration de projets IA autour d’objectifs produit mesurables

🧭 Contexte Au sein de Oyst, startup innovante spécialisée dans le paiement en un clic, j’ai intégré l’équipe data pour participer à la lutte contre la fraude. J’ai pris en charge la mise en place d’un système de détection de fraude en temps réel basé sur un moteur de règles, visant à sécuriser les transactions et réduire significativement les pertes financières. 🎯 Missions - Concevoir et déployer une solution de détection de fraude scalable et performante, adaptée aux exigences métier. - Maintenir et optimiser les infrastructures de traitement des flux de données en temps réel. - Fournir des datasets consolidés et fiables pour les équipes marketing, produit et data science. 🛠️ Actions - Conception et développement d’un système de fraud scoring basé sur un moteur de règles - Gestion et optimisation d’un cluster Kafka (Confluent) assurant le traitement en temps réel - Déploiement d’infrastructures cloud sur AWS EC2 via Terraform, garantissant scalabilité, sécurité et maîtrise des coûts. - Mise en place d’un pipeline de données avec Hive pour l’extraction et la préparation des datasets nécessaires à l’entraînement des modèles de détection. - Création de bases de données consolidées dédiées aux équipes marketing pour améliorer la connaissance client. - Automatisation de la génération de bilans comptables marchands via un job basé sur des règles comptables facilitant le suivi financier. - Support et optimisation d’un cluster Hadoop (Hortonworks) pour la gestion et l’analyse de données massives liées aux risques et fraudes. - Collaboration étroite avec les équipes produit et data scientists pour affiner les règles de détection et améliorer continuellement la fiabilité du système. 📊 Résultats clés - Réduction du taux de fraude sous la barre de 1%. - Traitement en temps réel de plus de 1 000 transactions par jour. - Amélioration de la disponibilité du système à 99,9%.

→ Création de segments publicitaires sur AppNexus ou Google (DBM) à utiliser dans les campagnes de retargeting, permettant de cibler efficacement les audiences en fonction de leurs interactions passées. → Mise en place d'un flux hebdomadaire automatisé, récupérant les fichiers clients (CSV) pour les traiter et les charger sur HDFS via un job Airflow, assurant ainsi une gestion régulière et fiable des données client pour les analyses et campagnes.