Habibata SAMAKE

- Conception et structuration d’une ontologie multi-cloud (RDF/OWL) alignée UDM (Fix Inventory) et Implémentation de règles d’inférence pour compléter/valider automatiquement les étiquettes permettant d’identifier une ressource Cloud (Exemples: Machine virtuelle, une base de données). - Modélisation d’un Knowledge graph sous Neo4j (n10s) ; rédaction/optimisation de requêtes SPARQL/Cypher pour le contrôle de cohérence et la recommandation de normalisations. - Exploitation du knowledge graph (requêtes SPARQL/Cypher) - Exposition de la base de connaissance sur une API(FastAPI) et conteneurisée sur Docker, automatisation des tests.

- Data Engineering pour la récupération des données via SQL - Analyse de données pour identifier les tendances et les insights sur l'évolution des effectifs, les taux de réussite des étudiants, et l'attractivité des différentes filières. - Application de la méthodologie KDD(Knowledge Discovery in Databases). - Utilisation des séries temporelles ARIMA et Prophet pour la prédiction de données évoluant au fil du temps - Utilisation des algorithmes de machine learning tels que Lasso, Ridge et ElasticNet. - Trade-off pour determiner les algorithmes les plus performants et adaptés.

Conception d’un pipeline d’extraction et de recherche d’information sur des cahiers des charges techniques PDF. - Développement d’un pipeline d’extraction de données textuelles à partir de cahiers des charges PDF non structurés, avec un focus sur l’identification des clauses techniques pertinentes. - Mise en œuvre d’une analyse de mise en page par vision par ordinateur avec Detectron2 et LayoutParser afin de segmenter les documents en titres, paragraphes, tableaux, listes, figures, en-têtes et pieds de page. - Entraînement et adaptation d’un modèle de détection de layout sur des documents annotés, puis ajout de post-traitements pour corriger les chevauchements de zones et récupérer les blocs de texte non détectés. - Structuration des contenus extraits au format JSON et indexation dans Elasticsearch pour permettre une recherche rapide dans les documents. - Implémentation d’un module de recherche sémantique / question-réponse avec Haystack, combinant des approches de recherche classiques et avancées : TF-IDF, BM25 et modèles Transformer. - Gestion du code sur GitHub et mise en place de bonnes pratiques de développement : versioning, structuration du projet et pipeline CI/CD.

Développement d’un pipeline NLP pour l’extraction automatique d’informations à partir de documents administratifs liés aux énergies renouvelables. Dans le cadre d’un projet de collecte et de structuration de données pour la business intelligence dans le secteur des énergies renouvelables, mise en place d’un programme Python permettant d’analyser automatiquement des documents administratifs afin d’en extraire les informations pertinentes pour alimenter une base de données métier existante. Le projet portait notamment sur l’analyse de documents tels que les avis MRAe et les arrêtés préfectoraux, contenant des informations relatives aux parcs solaires et éoliens. L’objectif était de réduire le temps de collecte manuelle des données et de fiabiliser l’intégration d’informations utiles à l’étude de marché, au suivi des projets et à l’aide à la décision. - Extraction d’informations structurées depuis des fichiers PDF : puissance installée, production annuelle, commune d’implantation, nature du parc solaire, propriétaire ou porteur de projet, surface des panneaux, nombre de modules, date d’émission des avis, coordonnées Lambert des éoliennes et informations qualitatives issues des décisions administratives. - Mise en place d’une première approche basée sur l’OCR, le prétraitement textuel et les expressions régulières pour extraire des données à partir des documents MRAe. - Développement d’une approche de machine learning avec spaCy/NER pour reconnaître automatiquement des entités spécifiques au domaine, notamment les coordonnées Lambert, les extensions de projets et certaines informations qualitatives. - Prétraitement d’images avec OpenCV pour améliorer l’analyse des documents scannés et isoler les tableaux contenant des données géographiques. - Structuration des résultats extraits afin de faciliter leur intégration dans une base de données existante utilisée pour l’analyse de marché des projets solaires et éoliens.