Hippolyte Lefranc

Contexte (Doctolib project): Optimisation de la relation praticien-patient via IA conversationnelle. – Développement et fine-tuning de modèles LLM (GPT, Falcon, Llama) sur GCP Vertex AI. – Implémentation d'un pipeline MLOps complet (Databricks, MLflow, CI/CD GitLab). – Mise en production de modules NLP (classification, intention detection). – Optimisation de la latence API via LangChain + Redis VectorStore. Stack: Python, Vertex AI, LangChain, Databricks, MLflow, Airflow

Contexte : Prédiction de sinistres et amélioration du scoring santé. – Entraînement de modèles XGBoost / TensorFlow sur 10M+ lignes d'historique patient. – Déploiement de modèles via Azure ML et Databricks MLflow. – Monitoring des performances modèles (drift, accuracy, recall) avec Prometheus / Grafana. – Mise en place d'un pipeline d'ingestion Airflow + dbt. Stack: Azure ML, Databricks, TensorFlow, MLflow, Airflow, dbt, Power BI

Contexte: Recommandation et personnalisation des offres employé. – Conception d'un moteur de recommandation temps réel (PyTorch + Kafka). – Modèles de scoring d'engagement et de churn (Scikit-learn). – Dashboards d'analyse de performance (Tableau, Power BI). – Intégration dans un environnement AWS / Docker / CI GitLab. Stack: PyTorch, Scikit-learn, Kafka, AWS, Tableau, Docker, GitLab CI

Contexte: Détection de fraude et scoring de risque client. – Construction d'un pipeline de détection d'anomalies (Python + SQL + BigQuery). – Analyse de patterns de fraude avec Scikit-learn / XGBoost. – Automatisation du reporting sur Power BI et Tableau. – Collaboration produit pour intégration directe des scores dans l'app. Stack: Python, BigQuery, Scikit-learn, XGBoost, Power BI