Maxime Infuso

Projet : Développement de solutions data-driven pour automatisation de processus métier, optimisation et aide à la décision Tâches : • Recueil et analyse des besoins clients afin de cadrer des solutions data adaptées aux enjeux opérationnels. • Conception de services data et ML intégrés dans des applications métiers (API, dashboards) • Mise en place de pipelines de données automatisés : collecte, nettoyage, structuration et exposition de services ML et de données via API REST (FastAPI / Flask). • Déploiement et industrialisation de solutions ML : conteneurisation Docker, CI/CD et mise en production reproductible • Structuration de projets data et ML selon des standards d’ingénierie logicielle (tests, versioning, monitoring et observabilité) afin d’assurer robustesse et maintenabilité. • Intégration de solutions ML dans des workflows métiers pour automatisation et aide à la décision • Interventions sur plusieurs sujets data : automatisation de génération de devis, optimisation de la gestion de stock à partir de catalogues produits, structuration de flux décisionnels et support à l’analyse opérationnelle. Stack : Python, Flask, SQL, Docker, GitHub Actions

Projet : Développement d’un modèle prédictif permettant de remplacer des calculs complexes par des prédictions temps réel exploitables opérationnellement. Tâches : • Développement d’un modèle de deep learning permettant de remplacer des calculs intensifs par des prédictions temps réel exploitables, avec optimisation des performances et intégration dans un pipeline de traitement automatisé. • Conception de pipelines de données à grande échelle (plusieurs millions d’exemples) en environnement distribué, avec orchestration des traitements. • Mise en place du cycle de vie ML complet : entraînement, validation, déploiement et monitoring des modèles sur des données évolutives. • Optimisation des architectures et des hyperparamètres afin d’améliorer la performance, la robustesse et la stabilité des modèles en conditions réelles. • Traitement et structuration de données complexes afin de garantir la qualité et la fiabilité des modèles. Stack : Python, TensorFlow, HPC, Docker, Git

Projet : Modélisation de systèmes complexes en chimie théorique. Tâches : • Formalisation et modélisation de systèmes complexes : construction de modèles prédictifs pour approcher des surfaces d’énergie haute dimension. • Développement de modèles prédictifs pour approximer des phénomènes complexes multi-paramètres. • Analyse de robustesse des modèles face aux conditions instables (drift, bruit, variabilité temporelle). • Évaluation quantitative de stratégies issues des modèles et de leur impact sur la décision. Stack : Python, HPC, Docker, Git, Dash, Plotly, SQL

Context: Femtosecond laser pulses are very efficient in inducing molecular recombinative desorptions of adsorbates from a metallic surface. Those processes can be interesting for many research fields. Project: Laser-induced femtochemistry on metal surfaces: a study of adsorbed hydrogen atoms on Ru (0001 ) surface. Task: • Adapting new simulation methods • Performing and interpreting statistical analysis • Creating visual representations of scientific insights