Rajaa Tarrass

– la mise en production d'un nouveau modèle de Machine Learning dans le contexte de la recommandation des formules en assurance auto mobile. – Implémentation d'un algorithme de conversion vers ces formules recommandées et Analyse de l'élasticité. – Réalisation d'une analyse comparative sur le comportement des clients vis-à-vis des différents formules d'assurance en fonction de leurs profils afin de monter l'intérêt du développement d'un nouveau modèle de recommandation de point de vue business – Optimisation stratégique des recommandations, Calcul de plusieurs scénarios d'Optimisation Afin de choisir la formule qui maximise le choix. – Utilisation de MLflow pour le suivi, l'entraînement, l'optimisation et l'implémentation de workflows reproductibles des modèles, garantissant une gestion centralisée des expériences, une traçabilité complète et une collaboration efficace au sein de l'équipe de machine learning. – Développement et déploiement d'une Pipeline MLOps avec Kedro sur Databricks pour automatiser l'entraînement du modèle.

– Développement d'un modèle de Machine Learning qui prédit le trafic de données réseau. – Surveillance de la congestion radio et détection des causes de la surcharge du réseau pour traiter les anomalies. – Contribution à la prise de décision technique en proposant des solutions d' optimisation réseau à fort impact. – Développement de tableaux de bord automatisés sous Power BI, offrant des insights clés sur les indicateurs de performance et facilitant la prise de décision basée sur les données pour assurer un suivi clair de la congestion radio.

– Étude approfondie de plus de 120 000 opérations financières pour identifier les profils à risque. – Suivi de la performance d'une équipe de 25 conseillers, avec élaboration de KPIs sur mesure. – Création de tableaux de bord automatisés pour le suivi des processus, réduisant le temps de reporting manuel et facilitant la prise de décision basée sur les données.