FATOU SALL

Développement et architecture du QUAD (Quality Assisted Analysis Dashboard), une plateforme interne d'analytics dédiée à l'analyse qualité et à la business intelligence. Réalisations clés : - Conception d'un pipeline de données automatisé avec Airflow et Databricks, traitant des événements utilisateurs stockés sur AWS S3 et écrits en Delta Lake - Intégration de capacités LLM via AWS Bedrock (Claude) pour enrichir les analyses - Développement d'une application Streamlit bilingue (FR/EN) servant les équipes qualité et analystes métier - Mise en place de dashboards interactifs pour le suivi des KPIs qualité (RPM, NQC, reviews produits, identification de produits problématiques) - Migration d'infrastructure DBFS vers S3 et optimisation des workflows CI/CD (GitHub Actions, Docker, EKS) Stack technique : Python, PySpark, Streamlit, Databricks, Delta Lake, AWS (S3, Bedrock, ECR, EKS), Airflow, Docker, Kubernetes

• Développement d'applications intelligentes : Conception et mise en œuvre de solutions générant automatiquement des contenus (cours) grâce à l’intégration de modèles LLM et de techniques RAG. • Création d’API et interfaces interactives : Développement d’API REST robustes (FastAPI) et d’interfaces utilisateurs réactives (Streamlit) pour une expérience utilisateur optimale. • Orchestration et automatisation des workflows : Mise en place de pipelines automatisés (Airflow) et d’outils CI/CD (Jenkins, Ansible, Terraform) pour garantir un déploiement fiable et itératif. • Containerisation et déploiement cloud : Expertise en Docker, Docker Compose et Kubernetes pour la mise en production d’applications scalables et résilientes. • Gestion des données et suivi des performances : Utilisation de DVC pour le versioning des données, MLflow pour le tracking des expériences, et outils de monitoring (Prometheus, Grafana) pour surveiller les performances applicatives. • Sécurité et qualité du code : Application des meilleures pratiques en matière de sécurité (JWT/OAuth2), rédaction de code conforme aux standards PEP8, SOLID et intégration du typage statique et des docstrings pour une maintenance facilitée.

Responsable de la migration d'un outil de back testing vers le cloud AWS ainsi que Python : •Back-testing & Optimisation : Développement de modèles de back-testing pour évaluer et optimiser les stratégies. •Rapports automatisés : Automatisation de la production de rapports de back-testing pour une évaluation systématique. •Ingestion Cloud : Conception de pipelines d'ingestion sur AWS, assurant scalabilité et performance. •Migration Cloud : Transfert des données historiques vers une architecture Cloud moderne. •Documentation : Coordination de projets et élaboration d'une documentation technique détaillée.

• Déploiement en production : Mise en œuvre et suivi des modèles via MLflow. • Pipelines Scala : Conception et optimisation de pipelines de traitement en Scala. • Gestion collaborative : Administration du versioning via Git et orchestration de workflows collaboratifs. • Ingestion avec Spark : Transformation et ingestion des données via des jobs Spark sur AWS. • Automatisation CI/CD : Mise en place de pipelines CI/CD pour automatiser le déploiement des workflows.

•Cas d'usage ML/DL : Développement de cas d'usage répondant aux enjeux métiers dans le respect du RGPD. •Modélisation PySpark : Conception et entraînement de modèles avec PySpark MLlib (MTA, MMM, Lift). •Évaluation : Définition et mise en œuvre de protocoles d'évaluation adaptés. •Orchestration : Pilotage de workflows via Airflow et gestion des environnements Python avec PyCharm. •Suivi & Conformité : Surveillance du cycle de vie des modèles avec MLflow et traitement conforme aux normes. •Documentation : Rédaction de documentation technique détaillée et communication claire des résultats.

Mentoring and evaluating data scientist, data analyst and ML engineer students

•Analyse d'audience : Évaluation des dispositifs de mesure d'audience et définition d'indicateurs clés. •Modélisation & Tests : Conception de modèles et réalisation de tests alternatifs (fusion, hybridation, validation croisée). •Recommandations : Formulation et suivi de recommandations techniques. •Communication : Présentation des analyses et résultats aux équipes et au Comité Scientifique.

• Mis en place d’un correcteur orthographique avec un modèle de deep learning Seq2Seq • Environnement GCP : Configuration d'un environnement de développement sur GCP intégrant GPU et TensorFlow. • Dockerisation : Création de conteneurs Docker pour un déploiement multiplateforme. • Analyse pré-campagne : Étude pour le lancement du Renault Alaskan dans 3 pays et 3 langues. • Techniques avancées : Application de méthodes (LDA) pour l'analyse de texte et le clustering. Visualisation interactive : Réalisation de visualisations interactives avec D3.js. Environnement technique : LDA, worcloud, bubble char, d3js, tableau, sklearn,taggage)

- Détection de fraude via les outliers (One-class classification, kmean, triclustering)

• Conception d’une application de saisie, de collecte et de l’analyse de données de terrain avec CSPro • Conception d’une page web pour le suivi de la collection en temps réel avec html, css,javascript,Mysql

Au cours du stage , je devais analyser l'effet des TIC, des normes sociale et des capacités managériales sur la performance de l'entreprise. J'ai procédé d’abord à l'apurement de la base par suppression de double, vérification de la logique de certaines questions et l'imputation des valeurs manquantes. Ensuite j'ai effectué des analyses descriptives (unidimensionnelles et multidimensionnelles). Par la suite, j'ai crée des indicateurs composites pour chaque facteur ainsi que pour la performance. Enfin, j'ai terminé par une analyse économétrique(régression linéaire et régression par quantile) pour mesurer leur effet sur la performance.