Jmel Mohamed

Data Science: – Développement d'une application Web pour le traitement, le nettoyage et la transformation de données. – Application d'algorithmes de Natural Language Processing pour la classification multi-label de données textuelles de maintenance. – Développement d'algorithmes de Machine Learning pour la maintenance prédictive des machines. – Segmentation des clients en fonction de leurs habitudes d'usage et de leur comportement. – Création de tableaux de bord PowerBI pour visualiser les résultats. Les tableaux de bord étaient utilisés pour analyser les données brutes et calculées, identifier les tendances et prendre des décisions. – Sensibilisation des managers quant à l'importance des données à travers les POCs et le KPIs calculés. Data Engineer: – Migration de nos pipelines et scripts vers Microsoft Azure: Mettre en place une architecture cloud optimal pour nos flux de données, l'automatisation de collecte des données, la gestion du stockage, le développement et la configuration des pipelines s'exécutant en temps réel et par batch. (Azure Data Factory, Azure Synapse Analytics, Azure Automation, Azure Functions, Azure Storage, Azure Logic App, etc.) – Utilisation d'Azure Machine Learning pour l'entrainement et déploiement des modèles de prédiction. – Création des flux dans Power Automate pour l'automatisation des process.

– Mettre en œuvre et améliorer le flux de traitement des données tout en utilisant des méthodes de Machine Learning (ex: Random Survival Forest) appliquées sur des données de survie pour améliorer la fiabilité, optimiser et adapter les services aux clients (maintenance préventive et garantie). (Python, PowerBI)

– Implémenter des interfaces graphiques pour traiter le flux de données et créer des profils d'utilisation client (Customer Usage Profiles) utilisés par des algorithmes des de Machine Learning (ex: Random Survival Forest, ...) pour anticiper les pannes et gérer la maintenance prédictive. (Python, R, PowerBI) – Utiliser les modèles de Machine Learning et Deep Learning appliqués à la fiabilité pour prédire et anticiper les défaillances et gérer la maintenance prédictive.