Marc PLATINI

- Development, deployment, and maintenance of AI solutions (chatbots, automation) using open source tools (OpenWebUI, llama.cpp, n8n, etc.), hosted on OVH Cloud and On-Premise (local AI server), in compliance with data sovereignty requirements. - Technical and strategic support for regional companies: assistance in preparing business plans, developing AI roadmaps, in collaboration with our financial support teams. - Leading internal/external workshops to identify use cases, raising awareness of AI issues, technology watch and participation in European projects (EDIH).

As scientific coordinator, I'm in charge of collaboration between universities and companies. I'm also involved in inter-university projects (universities in the Grand Est Region). More specifically, I help companies to develop their AI projets by specifying their needs (data, human resources, skills, etc.) and by addressing these needs with solutions (PhD, internship, research collaboration, etc.). I also provide my AI knowledge to help them to integrate AI at the right time and in the right place with the right resources. In addition, I work as AI expert in several funding processes to assess the AI level of differents projects (funding support of the region "Primo IA" and "Bonus IA").

Après une thèse dans l'entreprise Bull, je continue mes travaux de recherche en tant que Data Scientist autour des problématiques de maintenance prédictive des supercalculateurs et des systèmes informatiques distribués. Ces travaux m'amènent à toucher à un grand nombre de technologies et d'algorithmes différents : machine learning (incluant Deep Learning), data mining, analyse de série temporelle, ingénierie, développement Python, etc.

This PhD focuses on machine learning with HPC. We want to use machine learning to optimize our clusters (network, filesystem, ...). We can have many constraints depending on our use cases. For example realtime for network optimization.

A l'heure des masses de données (Big Data) et des puissances de calcul grandissantes, les entreprises cherchent à valoriser de plus en plus leurs données. C'est dans ce cadre que j'ai été intégré à la R&D de Bull. Mon rôle est de récupérer, traiter et valoriser les données. Ces données peuvent prendre des formes diverses : des images ou vidéo (notamment en Deep Learning), des time series, des données écrites (NLP), etc ... Le traitement de ces données se fait sous différentes contraintes : soit des contraintes de temps (temps réel ou "proche" temps réel), soit des contraintes de puissances de calcul (solution embarquée) et le plus souvent les deux. C'est pour cela que nous réfléchissons sans cesse à l'amélioration de nos algorithmes non pas seulement sur le critère de la performance mais aussi sur des critères de consommation par exemple. Actually, with Big Data and HPC (High Performance Calcul), firm wants to attach greatest value to its data. I was hired as data scientist by Bull to store, design worflow and enhance its data. Data can be various : videos or images (Deep learning), text (NLP), time series, ... Workflow is under constraint : it's need to be realtime or near realtime, it's could be embedded (with low footprint memory and CPU for example). Thus we need to improve our algorithms to offer best solution.

Le but de ce stage est, à l'aide des techniques de machine learning, de déterminer un modèle permettant la maintenance prédictive des clusters HPC à partir des logs et des métriques (activité CPU, mémoire, IO, ...) collectés. Ce stage fait appel à des notions de machine learning (réseau de neurones, carte de Kohonen, Ngrams, ...), de Big Data (Spark, ElasticSearch, ...) et de collecte de logs (Collectd, Logstash, ...)