Louise Rémot

Sujet : Classification automatique d’emails entrants (Lead Data Scientist sur le projet) : ▪ Détection automatique du département du client dans les bons de commande, ▪ Utilisation de l’API GPT Azure modèle GPT3.5 et création d’un prompt pour détecter le sujet de l’email client (problème technique sur une machine, commande de pièces, demande de devis...), ▪ Lecture et analyse automatique des pièces jointes dans les emails pour extraire le département du client, ▪ Détection des produits Atlantic cités dans les emails envoyés par les clients en lien avec la base exhaustive de produits Atlantic (env. 400 références articles), ▪ Création et déploiement de LogicApps Azure pour dispatcher automatiquement et correctement les emails clients dans les dossiers des boites mails métiers en fonction des résultats du modèle GPT3.5, du département du client ainsi que le produit détecté dans les emails Environnement Technologique : GPT 3.5, Python, Docker, Azure Function, Azure Logic Apps Sujet : Application d’assistance à la génération automatique de réponses aux mails de réclamations des sociétaires (Lead Data Scientist sur le projet) : ▪ Prompt Engineering et Context Engineering avec GPT 4 Turbo ▪ Optimisation des prompts avec paramétrage du ton de voix spécifique et des arguments ▪ Développement d’une interface utilisateur pour générer automatiquement le mail ▪ Récolte et exploitation automatisées des feedbacks utilisateurs ▪ Acculturation, accompagnement et restitution des performances aux utilisateurs Sujet : Application de détection des signaux faibles dans des corpus de verbatims (Lead Data Scientist sur le projet) : ▪ Labellisation des données par LLM ▪ Détection de signaux faibles par topic modeling (LDA, clustering d’embedding) ▪ Analyse de sentiment et classification par un modèle Transformer encoder only (CamemBert) ▪ Développement d’une application destinée à différents cas d’usage (retour de campagne commerciale, commentaires CRM, ticketing informatique) ▪ Acculturation, accompagnement et restitution des performances aux utilisateurs Environnement technique: Package Python, Gradio, CI/CD (Jenkins, pytest, OpenShift), AzureAI Foundry, Docker Sujet : Remplacer le modèle GPT 3.5 par un modèle Mistral pour la classification des emails ▪ Objectif : démontrer la pertinence de l’utilisation de modèles Opensources sur de la classification automatique ▪ Benchmark des solutions opensources pour fine-tuner des modèles nécessitant l’utilisation de GPU (Kaggle, Google colab...) ▪ Fine-tuning du modèle Mistral-7B-Instruct-v0.3 sur des données clients sur 3 catégories d’emails : "est_assistante", “est_technique” et “est_commande” avec LoRA ▪ Comparer les résultats de GPT 3.5 avec les résultats du modèle Mistral fine-tuné Environnement Technologique : Kaggle (usage GPU), Mistral (API), Python Sujet : Généraliser la classification automatique d’email pour la rendre adaptable à différents besoins / uses cases : ▪ Objectif : Répondre rapidement à un besoin de classification d’email d’un client ▪ Mise en place des ressources Azure (PostgreSQL, Azure function, API OpenAI) ▪ Création et gestion des bases de données pour recevoir les modifications prompts et classes d’emails ▪ Utilisation de la méthode CRUD pour gérer les modifications / créations des différentes prompts ▪ Création des API dans Azure pour gérer les différents appels utilisateurs ▪ Création d’une interface en React Environnement Technologique : Python, PostgreSQL, Azure function, API OpenAI, React

Sujet : Détection de scènes dans des vidéos o Benchmark des différentes solutions Python o Utilisation du package Python « scenedetect » et « OpenCV » o Dockerisation de l’algorithme et création de son API - - - - Sujet : Extraction et reconnaissance de visages dans les photos o Benchmark des différentes solutions Python o Utilisation du package Python « face_recognition » o Dockerisation de l’algorithme et création de son API Sujet : Détection des émotions dans la voix o Etude de l’état de l’art o Création d’un dataset d’entrainement, de validation et de test o Entrainement d’un modèle CNN de classification binaire (joie, colère) o Dockerisation du modèle et création de son API Sujet : Détection du genre du locuteur o Etude de l’état de l’art o Création d’un dataset d’entrainement, de validation et de test o Entrainement d’un modèle CNN de classification binaire (homme, femme) o Dockerisation du modèle et création de son API Sujet : Détection d’actes violents dans des vidéos o Etude de l’état de l’art o Création d’un dataset d’entrainement, de validation et de test o Entrainement d’un modèle Resnet de classification binaire (fight, nofight) o Dockerisation du modèle et création de son API Environnement Technologique : Python, Docker, Fastapi

Sujet : Analyse de sentiments dans les textes o Etude de l’état de l’art o Création d’un dataset d’entrainement, de validation et de test o Fine-tuning d’un modèle CamemBERT à 3 classes (Positif, Négatif, Neutre) Sujet : Classification automatique de vidéos o Scrapping du site LeMonde.fr pour constituer une base de données (tags et textes associés) o Fine-tuning d’un modèle multi-label (une observation avec plusieurs labels) CamemBERT Sujet : Système de recommandation o Création d’un score de similarité entre l’historique de navigation et le catalogue de vidéos Brut. Environnement Technologique : Python

Sujet : Web Scrapping o Scrapping des commentaires et des notes associées laissées sur TripAdvisor, Booking et Yelp Sujet : Détection des sujets de conversation dans les commentaires o Création d’un dataset en entrainant un modèle de clustering textuel avec un LDA sur les commentaires TripAdvisor, Booking et Yelp pour les labelliser o Entrainement d’un modèle RNN/LSTM pour détecter les sujets de conversation Sujet : Analyse de sentiments o Création d’une base de données d’entrainement o Entrainement d’un modèle RNN/LSTM pour détecter les sentiments (Positif, Négatif) Sujet : Détection d’objets sur les photos o Scrapping de photos sur le web pour créer une base de données d’entrainement o Entrainement d’un modèle CNN pour détecter des motifs précis sur les photos Environnement Technologique : R, Azure

Sujet : Réalisation d’un modèle de détection du Churn o Création d’une base de données dans un environnement Hadoop o Re-entrainement d’un modèle de churn Sujet : Estimation de la part de marché o Création d’une base de données o Entrainement d’un modèle Random Forest Environnement Technologique : R, Hadoop, SparkR

Sujet : Détection de fraude à l’assurance automobile o Base de données fournies par les clients o Entrainement de modèle de réseaux profonds o Utilisation d’une chaine de markov Environnement Technologique : R