Espoir badohoun

Mission : Data Cloud Ops – AI Engineering chez Schneider Electric (Schneider Digital) Principales responsabilités : Développement et livraison dans le cloud : Participation à la conception, au développement, et à l’industrialisation de solutions logicielles sur des infrastructures cloud (GitHub Actions, Azure DevOps). Industrialisation des pipelines AI Engineering : - Contribution à la mise en place de pipelines CI/CD pour garantir la qualité et la robustesse des solutions IA dans un cadre industriel. - Collaboration avec les équipes AI Engineering - Accompagnement de l’équipe dans l’intégration des solutions techniques, du développement jusqu’au déploiement en production. - Documentation technique : Rédaction de documents de conception et de spécifications techniques, ainsi que des tests associés aux fonctionnalités développées. Livrables clés : - Conception technique et documentation des solutions IA développées. - Livraison du code pour chaque sprint, incluant les tests unitaires et d'intégration. - Accompagnement de l'équipe dans le développement d'applications de données cloud et l'intégration sur la plateforme d’IA. Grâce à cette mission, j’ai pu renforcer mes compétences en Data Cloud Ops, en développement de logiciels modernes et en gestion d’infrastructures cloud à grande échelle pour des cas d’usage AI industriels.

Mission chez Autodistribution Groupe PHE Responsabilités principales - Evolution des flux Azure Data Factory - Mise en place du Data Catalog - Mise en place et analyse des nouveaux projets metiers et technique - Développement Spark sur Azure DataBricks - Implémenter les différents modules nécessaires à la mise en place des nouveaux cas d'usage - Respecter les best practices et la chaine de CI/CD Azure Devops - Réaliser la maintenance et exploitation des projets - Support à la recette des donnés - Reporter l'avancement au Chef de projet et Responsable

Sujet de Recherche : Détection d’évènements sur la route à partir des données issus de capteurs dans les smartphones Utilisation azure data analytics , azure data bricks Récupération des données cartographiques depuis Open Street Map Utilisation des API : Overpy de python pour récupérer des données depuis Overpass Turbo Datamining et machine Learning avec Python : Utilisation de scikitlearn , seaborn et plotly Sujet de Recherche : Détection d’événements sur la route Mise en place d’un algorithme de filtrage (détection des déplacements avec le téléphone dans les positions stables et instables : fixe , le siège et en poche Utilisation des nouvelles générations d’algorithmes de gradient boosting : LightGbm : premier modele de machine learning pour rechercher la stabilité Utilisation de MLflow: Deuxième modèle de machine learning pour rechercher la stabilité Utilisation du service Azure machine learning pour le troisième modèle : Automated ML Déploiement de ces différents modèles Déploiement du premier modèle :transformation de l’application data en web application avec Streamlit Déploiement du deuxième modèle directement avec MLflow Comparaison des trois modèles et choix du plus pertinent . Participation à un Hackathon Google sur Google Cloud platform : Objectif en groupe : Défier l’autoMl de Google avec les modèles créer et customiser(hyper paramètre Rubinho) par nos soins Ranking : deuxième Model créer : 97% en AUC Model AutoMl :99% en AUC

Correction de ressources pédagogiques. Utilisation d'Overleaf latex et Rmarkdown