Chemsdin Naamane

– Enrichissement de la recherche textuelle du site web Dior. – Utilisation de Gemini Batch (Vertex) pour générer des mots clés à partir des descriptions et images de produits. – Création de jobs et CRON jobs sur GKE pour automatiser la génération des mots clés. – Création d'un chatbot interne. – Mise en place d'APIs REST(Flask) d'appel aux modèles de génération de texte chatGPT, et Gemini. – Mise en place d'une API GRPC (Flask) pour l'interface avec l'équipe frontend. – Mise en place d'un agent permettant la sélection automatique de la fonctionnalité adaptée au message de l'utilisateur. – Création d'un RAG (GCP, BigQuery, CloudSQL) pour améliorer l'efficacité du chatbot, limiter les hallucinations, et lui donner les informations spécifiques à Dior. – Appels et gestion streaming des réponses renvoyées par le chatbot. – Mise en place d'un suivi FinOPS et d'un monitoring des messages reçus et envoyés (CloudSQL). – Testes de charges (ghz) pour identifier la configuration d'auto scaling la plus optimale. – Déploiement (GKE, docker) et monitoring de l'application. – Création d'un outil de génération et d'édition d'images (inspAIr) – Mise en place d'APIs REST d'appel aux modèles de génération et d'édition d'images (GPT-image, Gemini). – Mise en place d'une historisation, et d'un suivi FinOPS des générations d'images (CloudSQL, Google Cloud Storage). – Mise en place d'un système de Guardrails pour contrôler les générations (Vertex). – Testes de charges (via postman et k6) pour identifier la configuration d'auto scaling la plus optimale. – Gestion des déploiements GKE de l'application. – Coordination et Communication avec les équipes frontend pour le développement de l'interface utilisateur. – Résultat: Outil utilisé par plus de 130 utilisateurs(designers internes Dior) quotidiennement, et plus de 15000 images générées.

Mission ponctuelle de 7 jours. – Migration d'un modèle de forecasting vers Databricks. – Audit du pipeline de départ puis suivi des implémentations et réponses aux questions techniques de l'équipe (1 jour par semaine). – Création d'un plan de migration d'une pipeline de production vers Databricks en utilisant les meilleures pratiques MLOps recommandées. – Mise en application du plan de migration et gestion des tâches. – Evaluation des performances du nouveau pipeline. – Résultats: -Temps d'entraînement et coûts réduits de 20%. – Meilleure visibilité des jobs et des modèles entraînés. – Meilleur contrôle et monitoring de la production.

– Gestion de la production. – Mise en place de bonnes pratiques de mise en production au sein de l'équipe (tests unitaires, codes reviews, etc...). – Création de tests de contrôle de qualité de données et de prédictions. – Gestion des urgences en production (rôle de référent production). – Contrôle des coûts Databricks(azure) et Snowflake. – Recommandation vidéo myTF1. Mise en place et évaluation du système de recommandation vidéo myTF1 (Réseaux de neurones et collaborative filtering). – Exploration de données et compréhension du comportement utilisateur. – Création d'une API fastAPI pour l'inférence. – Mise en place d'un pipeline de mise en production et hébergement. – Utilisation de Kubernetes (AKS) et Docker – Résultat: Taux de clique de 10% atteint. – Segmentation utilisateur myTF1. – Mise en place de segmentations RFM permettant de mieux connaître les utilisateurs myTF1. – Orchestration via airflow, et code SQL (snowflake). – Résultat: Segmentation intégrée aux dashboards COMEX myTF1. – Prédiction d'audiences du live myTF1 (Séries temporelles). – POC: Création d'un modèle facebook prophet pour prédire les audiences du live myTF1. Moins de 15% d'erreur moyenne sur une journée. – Résultat: Moins de 15% d'erreur moyenne sur une journée. – Recommandations articles TF1 INFO "pour vous". – Utilisation de fasttext pour créer une recommandation d'articles aux utilisateurs logués.

– Indexation de documents. (Natural language processing et Computer vision). – OCR (tesseract) de rapports de forages gaziers et pétroliers. – Classification de documents et extraction d'entités nommées (BERT).

– Détection et prédiction d'anomalies de fonctionnement sur des machines (Maintenance prédictive). Utilisation de réseaux de neurones convolutionnels, clustering de séries temporelles via Dynamic Time Warping. – Création d'un algorithme de détection d'attaques cyber à partir de logs systèmes. Détection de communautés dans les graphes, en temps réel (Statistiques bayésiennes) et à froid. Analyse de ces communautés.

– Création d'un outil de scraping pour récupérer les codes sources et screenshots de pages web de sites d'e-commerce. – Labelisation des données pour les tâches de classification et de détection d'objets. – Création de modèles de machine learning pour classifier les pages obtenues en deux catégories: Pages produit et pages non produit (Réseaux de neurones convolutionnels). – Création de modèles de machine learning pour extraire les noms, prix, et photos des produits (Réseaux de neurones convolutionnels et Natural Language Processing).