Geoffroy Detrousselle

Implémenter et mettre en production des modèles de Machine Learning permettant de répondre à des besoins métiers à forts enjeux pour la société. Création des stratégies (CI/CD) de mise en production des projets/modèles. ∠ Implémentation d’algorithmes de Machine Learning, ∠ Estimation de la consommation de différents appareils afin de désagréger la consommation d’énergie des foyers, ∠ Proposition des options les plus suceptibles d’être acceptées par le client, ∠ Prédire les impayés afin de proposer des solutions de paiement en amont, ∠ Prédire l’insatisfaction des clients, ∠ Classifier les clients en fonction de leur profil de consommation afin de prédire la consommation future des nouveaux clients. ∠ Optimisation et automatisation des mises en production. ∠ Création des pipelines CI/CD, ∠ Optimisation des codes, créations de librairies spécifiques et génériques. ∠ Création d’agents d’IA, ∠ Automatisation de la documentation de projets, ∠ Bot sur l’espace documentaire

• Construction des programmes et des ressources pédagogiques • Animation des séances de formation collective • Participation à la synchronisation pédagogique

Transformation digitale vers l’industrie 4.0. L’objectif était de mettre en place une architecture permettant de détecter les signaux faibles afin de réaliser la maintenance prédictive sur les machines/bancs d’essais et d’optimiser les processus métiers. ∠ Mise en place de l’architecture afin d’ingérer les données dans le Cloud, ∠ Connexion des bancs d’essais, ∠ Définition des pipelines. ∠ Mise en production d’un modèle de machine learning (LSTM) sur le cloud. ∠ Création d’une instance mongoDB pour le stockage des données, ∠ Apprentissage d’un modèle LSTM afin prédire les défaillances, ∠ Développement d’une API pour consommer le modèle, ∠ Encapsulage de l’API dans un container, ∠ Mise en production via Azure Web Apps. ∠ Filtrage des données en amont du cloud, ∠ Gestion de projet, ∠ Développement d’un outil vérifiant la conformité des données d’essais, ∠ Développement d’une interface graphique pour le monitoring. ∠ Traitement des données pour les dataviz, ∠ Ingestion des données dans le datalake, ∠ Traitement des données et mise à disposition dans le deltalake. ∠ Mise en place de formations/tutoriels, ∠ Démystification de la data pour l’industrie 4.0, ∠ Mise en place de tutoriels sur une panoplie d’outils déterminés. Gestion de projet, ∠ Définiton du plan d’action, ∠ Identifier le besoin métier, ∠ Identifier les solutions techniques, ∠ Gestion des ressources, ∠ Suivi du budget.

Mettre à disposition un panel de données du groupe via la virtualisation. ∠ Gestion de la plateforme de virtualisation des données, ∠ Gestion des serveurs, ∠ Optimisation des plans d’exécution, ∠ Traitement des données, ∠ Administation de la plateforme. ∠ Développement de dataViz, ∠ Mise au point des indicateurs de performance, ∠ Développement des vues et dashboards

• Conception d’algorithmes d’analyse sémantique afin d’optimiser le choix des matériaux • Développement d’outils de Machine Learning sous les framework Shiny et Dash • Industrialisation des algorithmes dans le cloud Azure

• Définition et mise en place d’un datalake et des flux de données sous-jacents • Production et optimisation de dashboards sous Jaspersoft

• Définition du contenu et planification de la vie d’un produit • Accompagnement des équipes dans la transformation digitale et sur SCRUM • Production et optimisation de dashboards sous Tableau Software • Conception d’algorithmes de segmentation clients • Conception d’algorithmes de recommandation sur le parcours de communication

• Développement d’outils sur des architectures distribuées • Développement de chaînes de traitements distribués • Développement de packages R • Mise en place d’une plateforme Hadoop • Conception d’algorithmes afin de prédire la consommation électrique • Développement d’un outil avec le framework Shiny permettant d’estimer le niveau d’écrêtement maximum à appliquer en cas de tension sur le réseau électrique

• Création d’un datawarehouse et des flux de données sous-jacents • Développement d’outils statistiques avec le framework Shiny • Production et automatisation de reportings utiles aux experts en durabilité • Conception d’un algorithme de détection des pays précurseurs au sens de la panne • Modélisation du coût moyen de retour en garantie

• Développement d’outils statistiques avec le framework Shiny • Conception d’algorithmes permettant de recaler, en contrainte et en déformation, les résultats d’essais mécaniques en traction monotone afin d’en tirer une courbe moyenne • Modélisation des propriétés intrinsèques des matériaux utilisés pour la conception