Melanie Finas

Réalisation de missions de Lead Data Science/GenAI : • Structuration des activités IA • Participation au développement d'une pipeline de GenAI permettant d'interroger une base de données graph en langage natural. Environnement Technique : AWS, Python, Django, Neo4J, MongoDB Modèles Mistral

Réalisation et supervision de projets de data science : - un data challenge pour Airbus afin de déterminer à l'intérieur de PDFs Airbus contenant des acronymes la bonne définition associée à l'acronyme à partir de méthode de natural language processing (utilisation de l'ontologie wordnet et de l'algorithme BERT pour encodage du texte) - participation à un workshop et réalisation d'une proposition technique pour répondre à un appel d'offre pour un projet de datascience pour Premium Aerotech. - audit digital des activités des équipes d'umlaut pour Renault - réalisation de missions d'automatisations avec Python pour les équipes de Configuration Management de Renault Environnement technique: Python, Jupyter Notebook, Anaconda, AWS, Elasticsearch, TensorFlow, Keras, Skywise.

Réalisation de projets d'analyse de données, de data science et de natural language processing pour le compte d'Airbus au sein du P3 Digilab : - Projet de prédiction d'impact d'une TRS (Technical Repercussion Sheet) sur le SRM (Structure Repair Manual) pour A380 à partir de méthodes de NLP basées sur des mesures de similarités de textes (conception et prototype). - Projet de prédiction du Lead Time et du Coût d'une Change Request à partir de méthode de machine learning : conception, prototype et industrialisation dans environnement Airbus (skywise). Environnement technique: Python, Jupyter Notebook, Anaconda, Spark, AWS, Elasticsearch, TensorFlow, Keras, Skywise.

Réalisation d’une preuve du concept de l’application de méthodes d’analyse de données via de l’apprentissage automatique pour la validation à grande échelle du Flight Management System (FMS): - Mise en place d’algorithmes d’apprentissage non supervisés afin de classifier les trajectoires sur le profil vertical selon des critères de discrimination pertinents. - Détection de trajectoires non conformes sur le profil vertical en sortie du FMS.

Tech’4’Team est une start-up qui édite un outil de yield management adapté aux organisateurs d’événements sportifs et culturels. Les principaux objectifs de ce stage étaient de développer et d’améliorer les modèles de prévision de demande et yield management sur la demande en biens sportifs et culturels. En parallèle des missions de conseil en statistique et de la recherche sur l’automatisation de ces missions ont été effectuées. Deux études statistiques ont également été réalisées ( étude 1 : 'lien entre l’affluence et la présence des principaux sites culturels parisiens sur les réseaux sociaux' et étude 2 : 'impact de la notoriété des principales têtes d’affiches sur le remplissage des festivals')

Mise en place d’un modèle de prévision de la production de la centrale photovoltaïque de Rivière Salée à partir des modèles de prévision de Météo-France (Aladin, ARPEGE) et évaluation des produits satellites de rayonnement solaire disponible pour la Martinique.

ENASE Junior Etudes est une association proposant aux étudiants de l’ENSAE de réaliser des études pour des entreprises dans divers domaines tels que les statistiques, l’économétrie, la finance, l’économie, l’actuariat, l’optimisation et l’informatique.

Rédaction de la veille, revue hebdomadaire sur l’actualité économique et financière en Suisse et rédaction d’une note de synthèse sur les banques cantonales et une autre note sur le commerce bilatéral franco-suisse.