Bigirimana Innocent

1. Développement et implémentation d’un système de collecte via API REST: J’ai conçu et mis en œuvre un système de collecte automatisée des données à l’aide d’API REST, permettant une centralisation efficace des informations issues de différentes sources (fichiers, bases externes). Ce système a amélioré la traçabilité, réduit les erreurs de saisie et facilité l’intégration des données dans la base de données. 2. Migration et structuration de 12 000 fichiers Excel vers SQL Server : J’ai migré et structuré plus de 12 000 fichiers Excel dans une base de données SQL Server optimisée. Grâce à une modélisation rigoureuse des schémas et à l’indexation stratégique, les temps de requête ont été réduits de 90 %, rendant les analyses beaucoup plus réactives et fiables. 3. Création d’un tableau de bord pour le suivi des indicateurs clés : J’ai développé un tableau de bord interactif et intuitif (via Power BI) permettant de suivre les indicateurs clés liés aux processus fermentaires. Ce tableau a facilité la prise de décision en temps réel et renforcé la visibilité sur les performances opérationnelles. 4. Réalisation d’analyses statistiques approfondies : J’ai mené des analyses statistiques telles que l’ANOVA, les tests t et les corrélations pour identifier les facteurs critiques influençant la performance fermentaire. Ces analyses ont permis de mettre en évidence des leviers d’optimisation et de valider des hypothèses expérimentales. 4. Conception d’un modèle de régression pour prédire la durée de fermentation : J’ai conçu un modèle de Machine Learning basé sur les algorithmes de Random Forest, capable de prédire la durée de la fermentation avec un coefficient de détermination de 93 %. Ce modèle a permis d’anticiper les cinétiques de fermentation et de réduire significativement les temps de process. 5. Mise en place d’un modèle de classification pour anticiper les fermentations lentes J’ai développé un modèle de classification supervisée (Random Forest) permettant de classer les fermentations selon leur intensité : soutenue, modérée ou lente. Ce modèle a été intégré dans le processus décisionnel pour prévenir les fermentations lentes et ajuster les paramètres en amont. 6. Déploiement des modèles en production avec FastAPI J’ai déployé les deux modèles prédictifs en production en utilisant FastAPI, assurant une intégration fluide dans l’environnement technique. L’API permet une consultation rapide des prédictions et une interaction sécurisée avec les outils métiers. Ce qui m’a motivé dans ces missions, c’est avant tout la volonté de donner du sens aux données et de les transformer en outils concrets pour améliorer la performance et la prise de décision. 1. J’ai voulu fiabiliser et automatiser la collecte afin de réduire les tâches manuelles et garantir une meilleure traçabilité. 2. La migration vers SQL Server m’a motivé par le défi technique : rendre des données dispersées exploitables et rapides à interroger. 3. La création de tableaux de bord interactifs répondait à mon envie de rendre les informations accessibles et utiles aux équipes métiers. 4. Les analyses statistiques et modèles prédictifs m’ont stimulé car elles permettent d’anticiper les comportements, valider des hypothèses et proposer des optimisations tangibles. 5. Enfin, le déploiement en production avec FastAPI traduisait ma motivation à dépasser le stade expérimental pour livrer des solutions intégrées, sécurisées et directement utilisables.

Mémoire de recherche : "Analyse des séries temporelles et applications au contrôle statistique de la qualité" 1. Modéliser des séries temporelles complexes avec des processus AR, MA et ARMA pour identifier les tendances et fluctuations. 2. Sélectionner le modèle optimal ARMA(2,1) via critères AIC/BIC. 3. Effectuer des tests statistiques avancés pour valider la robustesse et la fiabilité du modèle. 4. Concevoir des cartes de contrôle statistique (Shewhart, EWMA, CUSUM) permettant de surveiller la stabilité des processus industriels. 5. Calculer les limites de contrôle et de surveillance pour détecter précocement les dérèglements de processus. Développer une méthodologie complète applicable au contrôle qualité et à la maîtrise statistique des procédés (MSP).

1. Manipulation des données issues des enquêtes pour en assurer la qualité et la cohérence; 2. Visualisation des tendances et relations à travers des représentations graphiques adaptées; 3. Analyse statistique des informations pour en extraire des insights pertinents; 4. Développement d'un modèle prédictif pour anticiper les valeurs futures de l'indice des prix à la consommation du Burundi.