Paul Blondel

En tant que consultant freelance, je travaille pour différents clients sur la partie Data Engineering et propose des services pour : • La mise en place de pipeline de traitement de données • La recherche de source, la collecte et le nettoyage de source • La mise en place de plateforme data dans le cloud, • Le Data Ops • L'exploration de données et le calcul de KPIs • Etc Voir ma fiche de description pour plus de détails. Contexte technique : Python, Pandas, SQL, AWS, Dagster, Terraform, FastAPI, Django

Au sein de l'équipe Hyperplan, j'ai fait partie des deux premiers employés recrutés pour travailler sur la plateforme SaaS de l'entreprise. Hyperplan est une start-up spécialisée dans la prédiction de rendement agricole pour faciliter et optimiser la logistique des collectivités agricoles. Hyperplan se base sur l'utilisation d'une grande quantité d'images satellites pour parvenir à prédire le rendement. En tant que Head of Software and ML Engineering, j'ai travaillé sur un grand nombre de problématiques de data engineering, l'infrastructure, la première version de l'API et du MPOps. Pendant la période où j'ai rejoint l'entreprise, l'équipe est passée de 5 à 25 employés en 2 ans. Hyperplan compte parmi ses clients des grands noms tels qu'Axereal, Corteva, Bayer, Vivescia, etc. Hyperplan a levé 4,1 millions d'euros en 2023 et réalisait 1 million d'ARR courant 2023. Au sein d'Hyperplan, j'étais en charge de : • La mise en place des premiers processus de développement avec le Head of UI/UX. • La mise en place de la première version de l'API et de son amélioration. • La mise en place du déploiement de modèles d'apprentissage. • La mise en place et l'amélioration de pipelines de traitement des données. • La mise en place de toute la CI/CD. • La mise en place de toute l'infrastructure sur AWS et sa transcription en IaC. • L'encadrement technique et la montée en compétences de 5 nouveaux développeurs backend et data engineers. Contexte technique : Dagster, Python, FastAPI, AWS, CI/CD. Lien de la plateforme : www.hyperplan.fr

En tant que consultant freelance, j'ai travaillé pour différents clients pour la réalisation de Proof of Concepts, du conseil technologique, de la mise en place de solutions logicielles et de la formation. Parmi ces expériences, mes deux plus grosses missions ont été réalisées chez : 1) Natixis Natixis est un établissement financier français qui a été créé en 2006 et est présent dans 40 pays. Natixis compte plus de 13 000 employés et génère un chiffre d'affaires de plus de 7 milliards d'euros. Au sein du laboratoire de data science de Natixis, j'ai travaillé sur une Proof of Concept dont le but était de prouver la faisabilité d'un algorithme de prédiction de déclassement d'entreprises par Standard & Poor's et Moody's, basé sur l'actualité récente de celles-ci et la détection de signaux faibles pouvant annoncer un déclassement prochain. Lors de cette mission courte, j'ai notamment : • Participé à la recherche de sources. • Collecté, traité et trié les données pour préparer l'apprentissage et les tests. • Testé diverses approches de prédiction. • Implémenté différentes approches de feature engineering pour améliorer la prédiction. Contexte technique : Python, Pandas, NLP, Sklearn. 2) Shanghai Solar Panel Inspection, Ltd. Au sein d'une jeune pousse spécialisée dans l'inspection des panneaux solaires produits en usine, j'ai contribué à développer une approche pour détecter les cellules de panneaux solaires qui sont inefficaces et nécessitent un remplacement. Le remplacement de ces cellules inefficaces permet d'améliorer considérablement les performances de rendement. L'algorithme de détections de cellules dysfonctionnelles a été intégré aux lignes de productions de certains clients et permis d'augmenter la détection du nombre de panneaux dysfonctionnels (chiffre non connu). Contexte technique : Python, Notebooks, Tensorflow

J'ai travaillé chez Recast.AI, une start-up spécialisée dans les agents conversationnels, créée en 2015. Recast.AI comptait plus de 15 clients grands comptes, dont Bouygues Telecom, EDF, ENGIE, Groupe Mutuel, IMA, SFR et SNCF Transilien. Plus de 20 000 développeurs ont utilisé la plateforme pour créer des bots, et plus de 50 000 bots ont été créés au total. Recast.AI a été racheté en 2018 par le géant du logiciel SAP (pour 22 millions d'euros), pour devenir "SAP Conversational AI". Recast.AI a été la première start-up de l'incubateur Station F a être racheté. Au sein de Recast.AI j'ai joins l'équipe technique et fut le premier Data Scientist embauché de l'entreprise. J'ai travaillé sur toutes les briques NLP des agents conversationels pour : • Améliorer les performances de classification d'intention, • Détecter les sentiments des utilisateurs, générer du texte, • Pré-classifer les données des grands comptes pour entraîner leurs chatbots, etc. • Conduire des Proof of Concepts pour tester des nouvelles approches • Traiter des données textuelles massives • Mettre en production les modèles de Machine Learning • Raccorder le backend avec les nouveaux algorithmes • Assurer le bon fonctionnement des modèles dans le backend • Ré-implémenter des algorithmes "on the shelf" et améliorer ceux-ci avec l'état de l'art • etc Contexte technique : Python, SQL, Rails, AWS, TensorFlow, NLP

J'ai travaillé au sein d'Air France-KLM, une compagnie aérienne créée en 1933 avec un chiffre d'affaires de 31 milliards d'euros en 2024. L'entreprise compte plus de 70 000 employés dans le monde et a transporté plus de 90 millions de passagers en 2023. Air France-KLM fait partie des top 25 compagnies aériennes du monde. Au sein d'Air France-KLM, j'ai rejoint le pôle data et recherche opérationnelle, et plus particulièrement le projet KARMA. L'équipe était composée d'une vingtaine de Data Engineers et d'une équipe AMO métiers. J'étais le responsable technique du moteur de prédiction des sièges à mettre à la revente pour tout le groupe, j'étais notamment en charge de : • L'optimisation et l'ajustement du modèle de prédiction en fonction des nouvelles règles métiers (C++) • Le calcul de Key Performance Indicators (KPIs) avec Pig • La collecte et traitement de données (Hadoop et Pig) • Le développement de tâches MapReduce personnalisées (UDF Java avec Hadoop) • Le réentraînement des modèles • La gestion des données massives collectées (Hadoop et Pig) • Des POCs et cas d'études avec Spark • D'une partie de la communication avec les AMO métiers concernant l'overselling • La maintenance et la correction de bugs du modèle Ce travail a permis de garantir les bonnes performances du modèle, en ajustant au mieux le moteur de prédiction avec les nouvelles règles métiers (ajout de nouveaux types de cabines, prise en compte de cas de "booking" complexes, etc.). Cette expérience a été réalisé au sein d'Air France à travers une ESN (MP Data). Voici un lien explicatif du projet KARMA : https://www.eurodecision.com/wp-content/uploads/2019/04/20190416_AIRFRANCE-KLM_KARMA-revenue-management.pdf Contexte technique : Hadoop, PIG, Spark, PySpark, UDF Java, Linux, C++, Python

Au sein du laboratoire MIS (Modélisation Information et Systèmes) et notamment de l'équipe PR (Perception Robotique) de l'Université Picardie Jules Verne et en collaboration avec le laboratoire Heudiasyc de l'Université Technologique de Compiègne j'ai effectué un travaille de recherche pour préparer un doctorat. L'équipe PR du MIS comptait environ 10 personnes et le laboratoire Heudiasyc plus de 100 personnes. L'Heudiasyc est un laboratoire CNRS d'excellence. Mon doctorat s'est inscrit dans le cadre d'un projet de la région Picardie (le projet SEARCH : « Système d’Exploration Aérien pour la Recherche et la Cartographie en milieux Hostiles »). Le but était de développer un système de surveillance basé sur une flottille de drones pour balayer les bords de mer et se déplacer sous la canopée afin de trouver les personnes en détresse (pour prévenir les noyades dans le premier cas, et les disparitions dans le second cas). Durant ces travaux de recherche j'ai notamment : • Réimplémenté et amélioré, dans le contexte SEARCH, des algorithmes de détection de personnes • Collecté des données en situations réelles pour entraîner mes modèles • Proposé des approches de génération de nouvelles données d'entraînement (notamment pour le thermique). • Proposé une approche de fusion des résultats de détection pour robustifier la détection quelles que soient les conditions météorologiques (basée sur Pareto). • Mis en place des approches intelligentes de nettoyages des données d'entraînement. • Implémenté et testé mes algorithmes sur drone. • Etc. Contexte technique : C++, Boost, SVM, Boosting, Génération de données, Nettoyage de données, OpenCV, Caméra FLIR Lien vers ma thèse : https://github.com/alef07/these-detection-de-personnes-a-partir-dun-banc-setereoscopique-multimodal-embarque-sur-un-drone/blob/master/These_Paul_Blondel.pdf

J'ai travaillé au sein du CEA LIST de Fontenay-aux-Roses, un EPIC (Établissement public à caractère industriel et commercial) français. Le CEA a pour mission principale de développer des applications nucléaires dans les domaines scientifique, industriel et de la défense nationale. Le CEA a été créé en 1945 et compte plus de 20 000 employés. Son chiffre d'affaires est de 2,2 milliards d'euros (en 2018). Au sein du CEA, j'ai rejoins une petite équipe spéicialisé en réalité virtuelle pour travailler assister doctorants et ingénieurs de recherches sur les taches de développement logiciels, J'ai notamment : • Aidé à implémenter des optimisations de calcul d'intersection sur un moteur de lancer de rayons. • Participé à l'optimisation du code lui-même (parallélisation, instructions vectorielles, etc.). • Effectué un portage complet d'une bibliothèque dépendante de Windows vers tous les systèmes (Linux en particulier). • Recodé les tests unitaires d'un moteur graphique. Contexte technique : C++, Orgre3D, Boost, Git, OpenMP