Kévin Espasa

Data Science: • Extraction et catégorisation de données dans des factures • Détection de fraudes dans les factures • Agent (RAG, LLM et transformers) en local pour les données sensibles d’entreprises • Agent pour l’onboarding des nouveaux employés Backend: • Définition de nouveaux services pour optimiser le temps de développement • Améliorer les temps de réponses des APIs (>70% de gain) • Mise en place d’une approche Security By Design sur les APIs • Amélioration de l’alerting et du monitoring • Mise en place de bonnes pratiques (tests, amélioration du coverage, linter, vunérabilités, ...) • Simplification et normalisation de la CI/CD Gestion: • Construction de la roadmap Backend et AI avec le CTO • Échange et définition des besoins avec le métier et les clients • Animation de cérémonies SCRUM Management (4 personnes): • Recrutement de membres de l’équipe • One-to-one avec chaque membre de l’équipe Backend • Réunion bimensuel d’amélioration continu, de choix et de discussions avec l’équipe Backend • Définition des objectifs d’équipe et personnels de l’équipe Backend Communication: • Animation de cérémonies SCRUM • Vulgarisation du Machine Learning et du Backend aux équipes techniques et non techniques Stack: AWS, Python, AWS Bedrock, Huggingface, Pytorch, LlamaIndex, Streamlit, FastAPI, DynamoDB,Lambda, Terraform,Bitbucket Pipeline, Docker, Datadog, Auth0

Data Science: • Classification produits e-commerces pour proposer des assurances en temps réel • Outil de détection d’écran cassés pour un selfcare utilisateur • Extraction d’IMEI sur des photos d’écran de téléphone Backend: • Mise en place d’une API de détection d’écran cassés • Création d’un service pour la gestion d’un catalogue marchand MLOps: • Définition de la structure MLOps de l’entreprise • Mise en place d’un outil de gestion et de versionning des données et modèles • Mise en place d’un système d’évaluation et de déploiement automatique des nouveaux modèles • Mise en place d’un outil de suivis pour les modèles en production Stack: AWS, Python, Huggingface, Spacy, Scikit Learn, YOLO, Streamlit,FastAPI, DVC, DynamoDB, Lambda, Terraform, Bitbucket Pipeline, Docker, Datadog

L’objectif du stage était la détection des ambiguités dans des textes pour enfant afin de fournir des aides à la lecture notamment pour les enfants dyslexiques. Mon travail a principalement été la désambiguïsations des pronoms personnels il et elle via l’utilisation de règles syntaxiques en Python.

Travail Encadré de Recherche (TER), le sujet était la détection de l'attrition dans les intéractions client. Nous devions détecter à partir de données textuelles le moment où un client souhaite partir d’une entreprise. Le travail s’est axé sur 2 points: l’analyse du sujet et les solutions possibles à partir d’articles de recherche sur le sujet et l’implémentation de la solution en Python.

La première partie du stage consistait en l’implémentation de 2 installeurs Microsoft Windows Installer (msi) pour leurs solutions en WiX toolset. La 2e partie consistait à créer en C# une interface pour lancer des tests unitaire pour leur logiciel.