Manel Maamar PhD

Piloter un projet d'optimisation dans le domaine ferroviaire portant sur la minimisation du coût des armoires électriques alimentant les éléments de voies : – Pilotage et gestion de projet (méthode agile). – Rédaction des rapports techniques. – Analyse et formalisation des besoins client. – Modélisation des règles, contraintes et objectifs. – Développement du modèle et validation de l'outil par des expérimentations. Environnement technique : C++, CPLEX, GitKraken.

Détecter les défauts de plaques d'acier par reconnaissance d'images : – Détection des défauts sur la base d'images en plaçant un algorithme de Machine Learning. – Transposition de cet algorithme dans Matlab via la modélisation mathématique. – Exécution du modèle mathématique avec un solver Matlab. – Rédaction des rapports techniques. Environnement technique : Python, Matlab, Simulink, Anaconda.

Piloter un grand projet industriel portant sur l'optimisation du processus de séquencement de bobines d'acier : – Gestion de projet et coordination avec les équipes métier (méthode agile). – Rédaction des rapports techniques. – Analyse du cahier des charges et validation des règles par le métier. – Mettre en place un modèle qui optimise et automatise le séquencement des bobines. – Développement du modèle et tuning. Environnement technique : C++, GitKraken, TFS, GHL.

Automatiser le traitement des demandes de prêts bancaires. Appliquer le système de gestion de règles métier (BRMS) pour l'octroi de crédits : – Analyse des données : écriture des règles métier à partir des USs. – Paramétrage : implémentation des règles métier. – Validation de l'outil en réalisant des tests techniques. – Prise en compte du caractère évolutif des règles métier. Environnement technique : ODM 8.5, DVS.

Diffuser les publicités avec plus de précision grâce au Machine Learning : – Exploration des données d'une place de marché sur internet (e-commerce). – Répondre à la problématique de la connaissance du client (internaute). – Détermination de l'engagement de l'internaute envers un produit. – Diffusion des publicités avec plus de précision. Environnement technique : Python, Matlab.

Piloter un projet de Recherche Opérationnelle dans le cadre d'une thèse de doctorat (contrat CIFRE) portant sur l'optimisation, bi-critère et multi-période avec anticipation, du système financier d'une place de marché sur internet : – Définition d'un modèle mathématique bi-critère (chiffre d'affaires et satisfaction des clients). – Extension du modèle en multi-période pour prendre en compte les flux continus de l'offre/demande. – Mise en place d'un modèle de prévision des nouveaux flux. – Implémentation des modèles et validation de l'outil par des expérimentations. – Intégration de l'outil dans la plateforme de l'entreprise. Environnement technique : JAVA, CPLEX, LaTex.

– Modules enseignés: – Théorie des graphes pour l'informatique « cursus ingénieur centralien ». – Algorithmique et programmation « cursus ingénieur centralien ». – Stages encadrés: – Problème de prévision pour une place de marché « stage Master 2 ». – Fair allocation in a marketplace of internet prospects « mémoire bibliographique, cursus ingénieur centralien ». – Problème de prévision pour une place de marché de prospects internet « mémoire thématique, Master centralien ». – Articles publiés dans : – International journal of computers and industrial engineering. – International journal of management science (OMEGA). – International conference on computers and industrial engineering (CIE45), Metz (France). – The 26th european conference on operational research, à Rome (Italie). – The 22nd international conference on multiple criteria decision making, Malaga (Espagne). – Séjours de recherche: – Colloque de recherche inter écoles centrales (CRIEC), Lyon (France). – École d'été : multicriteria decision aid/making (MCDA/M), Hambourg (Allemagne). – The 77th meeting of the european working group on multicriteria decision aiding (MCDA'77), Rouen (France).