Mohamed Bouallegue

Expleo / Renault DEA - TV - Paris * Analyse approfondie de données de séries temporelles pour des projets d’innovation - Optimisation des essais d'endurance sur le claquement de porte. - Amélioration des essais de sécurité en simulant et analysant les crashs de mannequins. - Identification proactive des anomalies de capteurs, détection automatisée des fissures non visibles, et prédiction avancée des défaillances de portes pour garantir une meilleure performance et sécurité des véhicules. Expleo / Airbus * Optimisation des paramètres pour améliorer la précision des prédictions - Sélection et réduction intelligente des paramètres prédictifs clés à partir de corrélations statistiques (Pearson, Spearman). - Conception de nouveaux paramètres d'entrée innovants en fusionnant des caractéristiques physiques et des variables fondamentales Algorithme Buckingham Pi). - Classement des caractéristiques les plus significatives grâce à des modèles linéaires (SGD, Lasso) et non linéaires (Gradient Boosting) pour affiner les prédictions. - Sélection optimale des combinaisons de paramètres, basée sur une analyse exploratoire des données (EDA), pour maximiser la performance des modèles prédictifs. Expleo / Airbus Hélicoptères * Modèle spécialisé pour la génération de requêtes SQL à partir de texte. - Optimisation des jeux de données SQL et textuels pour améliorer la précision du fine-tuning. - Amélioration de la génération des requêtes SQL et de la formulation des questions associées. - Benchmarking des modèles LLM (Phi2, Mistral, Llama2) pour sélectionner le meilleur modèle de base. - Test et optimisation des prompts pour enrichir et contextualiser les informations générées. - Préparation des jeux de test et mise en oeuvre de métriques pour évaluer les performances du modèle.

Mise en place de solutions d’analyse de données pour assistant vocal * Analyse et traitement des données textuelles - Extraction et structuration des informations pour améliorer la compréhension du langage naturel et affiner les modèles d’assistant vocal. - Détection automatique de langues à partir de grandes bases de données multilingues via des modèles NLP avancés. - Amélioration de l’alignement entre les langues détectées et les modèles de traitement, garantissant une meilleure interprétation et classification des requêtes utilisateur. * Traitement et amélioration des données audio - Filtrage adaptatif et réduction du bruit pour optimiser la reconnaissance vocale dans des environnements complexes. - Développement d’algorithmes de Speech Enhancement basés sur des autoencodeurs profonds (DNN) pour améliorer la qualité du signal vocal. - Affinement des réglages acoustiques pour améliorer la clarté du signal vocal et renforcer la robustesse des modèles face aux variations de voix et de contexte sonore.

Mise en place de solutions d’analyse de données pour l’analyse des avis clients * Transformation des besoins métiers en solutions Data - Organisation de réunions régulières avec les équipes métier pour comprendre leurs attentes et besoins en analyse de données. - Définition et formalisation des problématiques métier sous forme de projets Data concrets. - Développement de Proof of Concepts (POC) pour tester et valider les approches analytiques avant déploiement. * Développement de modèles d’analyse avancée en NLP - Sélection et entraînement d’algorithmes de Machine Learning pour la classification et l’analyse des avis clients. - Mise en place de techniques de Text Mining pour extraire des thématiques et des opinions dominantes. - Intégration de données démographiques (âge, sexe, région) pour enrichir l’analyse des avis et mieux segmenter les résultats. * Mise en place de solutions d’analyse des avis clients - Structuration et nettoyage des données textuelles avant analyse pour garantir des résultats exploitables. - Déploiement de la plateforme Fanvoice pour collecter et traiter les avis clients sur divers sujets. - Conception de tableaux de bord analytiques pour visualiser les tendances et insights. * Vulgarisation et formation en Machine Learning - Accompagnement des équipes métier dans l’exploitation des résultats d’analyse pour optimiser les décisions stratégiques. - Formation aux techniques de Machine Learning et NLP pour démocratiser leur usage au sein des équipes.

* Développement d’un modèle de langage avancé pour la reconnaissance vocale - Conception et implémentation d’un modèle de langage basé sur des réseaux de neurones récurrents (RNN). - Entraînement du modèle sur des corpus vocaux volumineux, incluant des contextes linguistiques variés. - Optimisation des hyperparamètres et architecture du modèle pour améliorer la précision et la vitesse de reconnaissance. - Validation et ajustement du modèle avec des jeux de tests spécifiques à la reconnaissance automatique de la parole (ASR). * Optimisation des performances sur des corpus vocaux complexes - Amélioration de la précision de transcription sur des données avec bruit et accents variés. - Intégration de métriques de performance spécifiques pour suivre l’évolution des améliorations.

* Développement de systèmes de catégorisation automatique des conversations téléphoniques - Conception et implémentation d’un système avancé de catégorisation des conversations téléphoniques pour la Régie Autonome des Transports Parisiens (RATP). - Automatisation de la classification des appels pour optimiser la gestion des interactions client. - Amélioration de l'efficacité opérationnelle grâce à l'analyse intelligente des dialogues. - Utilisation d'algorithmes de traitement du langage naturel (NLP) pour une catégorisation précise et rapide des conversations

* Extraction de représentations vectorielles pour le traitement du texte - Implémentation d’une solution basée sur Latent Dirichlet Allocation (LDA) en Python pour le Topic Modeling et l’analyse automatique des documents textuels. - Optimisation des représentations vectorielles afin d’augmenter la précision des tâches de classification. - Évaluation de la robustesse des embeddings sur différents jeux de données textuels multilingues.

* Modélisation acoustique compacte - Développement d'outils avancés de modélisation acoustique pour optimiser les systèmes de reconnaissance vocale intégrés dans des dispositifs légers, tels que les téléphones mobiles et les lecteurs MP3, tout en garantissant une faible consommation de ressources. * Amélioration de la robustesse des systèmes de reconnaissance vocale - Conception de solutions innovantes pour compenser les variabilités acoustiques et environnementales, améliorant ainsi la précision et la fiabilité des systèmes de reconnaissance vocale dans diverses conditions. * Classification des unités phonétiques - Mise au point d'outils sophistiqués pour l'extraction et la classification des connaissances phonétiques, renforçant la robustesse et la précision des systèmes de reconnaissance vocale, même dans des environnements complexes.