Cristian Ghitu

• Cadre Agile : Réalisation de projets de Data Science au sein d'équipes Agiles du Lab Data Science utilisant la méthodologie Scrum, formées de Data Scientists, Data Engineers, scrum masters et chefs de projet. Contribution aux projets de la phase de cadrage avec des métiers et interlocuteurs non-techniques (directions de projet, POs, responsables conformité, sachants, etc.) jusqu'à la modélisation et l’industrialisation des modèles et pipelines associés. Projets clés : • Estimation de risque de fragilité : Calcul de score de risque de fragilité permettant la mise en place de mesures d’accompagnement adaptées. Projet pour la banque de détail (~10 millions clients). Cadrage, compréhension et raffinement de besoins avec les métiers et les équipes de conformité réglementaire, suivis de l’identification et l’exploration de sources de données potentielles. Nettoyage, préparation et feature engineering sur de vastes jeux de données avec PySpark et entraînement de modèles avec scikit-learn, Hyperopt et d'autres librairies ML, en utilisant la méthode des valeurs de Shapley pour expliquer les prédictions. Création de pipelines de données et de prédiction industrialisés pour le calcul de scores de risque. Structuration du code de traitement des données en pipelines modulaires à l'aide de Kedro, avec l'utilisation de Great Expectations pour les contrôles qualité. Utilisation de MLflow pour le versioning des modèles et le suivi des performances à travers différentes itérations. Environnement technique : Cloudera, Hadoop, Python, Spark (PySpark), Jupyter, pandas, scikit-learn, xgboost, hyperopt, shap, kedro, Great Expectations, MLflow. • Automatisation de traitement d’opérations : Calcul de score de risque de non-remboursement d’opérations débitrices, ayant permis de réduire le temps passé par les conseillers bancaires sur le traitement de certaines transactions. Projet pour la banque de détail, en collaborant avec plusieurs parties prenantes métier. Cadrage, compréhension et raffinement de besoins, suivi de l’identification des sources de données à utiliser et de la compréhension du fonctionnement des opérations à traiter d’un point de vue métier et technique. Exploration, nettoyage et feature engineering, suivis de la sélection de modèle. Passage du code Python exploratoire (notebooks Jupyter) en code Scala industrialisé. Environnement technique : Cloudera, Hadoop, Scala, Spark (API DataFrame et RDD), h2o, Python, PySpark. • Détection d’anomalies de facturation : Application de modèles non-supervisés pour la détection d’anomalies sur des lignes de facturation, en collaboration avec ALD Automotive (aujourd’hui Ayvens). Environnement technique : Python, pandas, scikit-learn. • Classification d’incidents informatiques (PoC) : Application de techniques de traitement de langage naturel (NLP) pour grouper et classer les incidents informatiques par thématique. Projet IT pour IT. Utilisation d’Apache Spark et Scala avec les librairies OpenNLP et StanfordNLP pour distribuer le traitement et réduire le temps d’exécution du prétraitement de texte. Environnement technique : Cloudera, Hadoop, Scala, Spark (API DataFrame et RDD), OpenNLP, StanfordNLP. • Calcul de KPIs réglementaires : Traitement de données tabulaires massives avec PySpark pour le calcul d’indicateurs réglementaires. Environnement technique : Cloudera, Hadoop, Python, Spark (PySpark), pandas. Autres rôles et responsabilités : • Représentant du Lab Data Science : représentation du Lab Data Science pour la banque de détail auprès de la plateforme Data Science du Groupe. Contribution aux choix techniques de la plateforme et retours sur l’utilisation et l’établissement de standards de mise en production de projets sur l’outil Dataiku. • Construction de standards pour le déroulement de projets ML afin d’accélérer la transition de PoCs (notebooks Jupyter) vers des applications industrialisées, en établissant des conventions pour le code exploratoire. • Responsable de stage : responsable de plusieurs stagiaires Data Scientists du Lab Data Science entre 2020 et 2022. Suivi, accompagnement et aide à la prise en main des outils et services utilisés par l’équipe. • Organisation de REX : organisation et participation aux retours d’expérience internes (communauté de développeurs) et externes (rencontre IMA – Innovation Makers Alliance organisée par la SG). • R&D et Prix Groupe : contribution aux sujets R&D du Lab ayant mené à l’obtention du Trophée Innovation du Groupe.

Projet de Fin d’Études : Maintenance Prédictive. • Exploration et application d’algorithmes de détection d’anomalies sur des séries temporelles issues de logs applicatives dans le but de permettre la maintenance prédictive de serveurs applicatifs. Méthodes explorées : modèle de Taylor à double saisonnalité, LSTMs et auto-encodeurs en utilisant Python et Keras. Environnement technique : Python, pandas, keras.