Olivier AUFFRET

Inetum - DAHER (Décembre 2023 - Aujourd'hui) Développement de nouveaux process dans les nouveaux matériaux, avec un focus sur l'analyse de grandes quantités de données expérimentales. Réalisation de POC pour l'entraînement et le déploiement de modèles de ML. Environnement : Streamlit, Statistiques, Machine Learning, Data Science, Python. Inetum - Projet Architecture Snowflake (Février 2024 - Aujourd'hui) Conception d'une architecture Snowflake pour une web app de prédiction de primes d'assurance. Environnement : Snowflake, Statistiques, SnowPark, Machine Learning, Data Science, Python, Streamlit. Inetum - DAHER (Juillet 2023 - Aujourd'hui) Data Scientist sur le projet JUMEL, visant à estimer le nombre de réceptions quotidiennes dans les entrepôts de Daher. Conception et mise en place d'une architecture de traitement des données, avec extraction depuis SAP vers datawarehouse AZURE. Environnement : Snowflake, Analyses factorielles, Pandas, Time Series, Azure (Microsoft), PySpark, Power BI, XGBoost, AutoML, Prophet, Databricks. Inetum - DAHER (Janvier 2023 - Juin 2023) Data Scientist sur le projet ODDICEA, axé sur l'optimisation des process grâce aux données issues de tables SAP. Extraction, mise en forme et enrichissement des données SAP. Environnement : Python, Time Series, Apache Spark, Azure (Microsoft), Power BI, CI/CD, Databricks.

Amélioration des traitements de radiothérapie : Certains dispositifs médicaux nécessitent d’importants calculs et une optimisation chronophage. Dans le cadre d’un projet Europeen, nous nous sommes penchés sur l'un d’entre eux, utilisant le Reinforcement Learning pour proposer au professionnel des solutions automatisées. Détection d'anomalies sur des séries temporelles : Des capteurs de surveillance, de la société QuantaFlow, installés aux issues des centres commerciaux dénombrent les entrées et sorties. Pour détecter les anomalies, nous avons utilisé et comparé les performances de différents modèles (Prophet, Aws forecast/deepar, RNN sur plateforme ML Google Colab).

Application des outils du NLP à une lecture scientifique plus rapide : En période de COVID, les médecins, passaient plus de temps à la revue de littérature, nous avons utilisé des modèles déjà entrainés pour développer des outils leur permettant de gagner du temps lors de la lecture (AWS Sagemaker, HuggingFace, Python). Les fonctionnalités permises étaient traduction, résumé, conversion d’un paragraphe en une phrase, zéro shot classification et indexation par similarités. Rédaction d'études d'impact et de procédures conformes au RGPD et aux méthodologies de référence pour l'extraction de données à partir du hub de données santé. Classification des tumeurs de la peau, benigne ou maligne : Transfer learning sur des modèles de reconnaissance d’image entrainés sur le dataset imagenet, ResNet50 et VGG16 (AWS_sagemaker). Déploiement du modèle sur une caméra (AWS : endpoint, lambda, DeepLens) permettant une classification instantanée.

Développement de : - Data lake pour le marketing. À partir des rapports d’exploitation, nous implémentions des indicateurs utilisés par le service marketing pour cibler ses campagnes. - Logiciel pour calculer les scores d’appétence pour les produits du marketing, pour évaluer les risques de fraude.