Rochinel NANFA

Logicsystem – Voice Bot de Gestion des Appels Participation à l'analyse du concept architectural d'un voice bot automatisé destiné à décrocher et traiter les appels entrants. La solution s'appuie sur IBM Watsonx et intègre des modèles de speech-to-text, text-to-text et text-to-speech pour convertir la voix en interactions intelligentes et générer des réponses naturelles. Ce projet, toujours en cours de développement, vise à optimiser l'efficacité des centres d'appels tout en améliorant l'expérience client.

Guideline MLOPS – Guideline GEN IA – Model Serving and Model monitoring – CHAT bot – RAG – Fine turning – Guideline Vector database Au cours de cette longue mission au sein de la BNP j’ai travaillé sur : Rédaction du Guideline Mlops pour les bonnes pratiques, mise en place du pipeline de bout en bout d’un projet de machine learning (training, serving, monitoring), études des outils et librairies de monitoring de modèle présent sur le marché, sélection des meilleurs algorithmes de calcule pour la détection de tout ce qui est data et concept drift, Rédaction des guidelines pour la mise en place d’un projet LLM, étude des bases donnée vectorielles , mise en place d’un arbre de décision pour la sélection de sa VB , Déploiement des model LLM (LLAMA, Mistral, CodeGen ect…) on-premise, RAG et Fine-tuning sur les models openIA d’azure service, Développement d’un chatbot personnalisé pour entité ITGA à partir de LLAMA3. Realisation : - Rédaction de guidelines MLOps - Étude et intégration des outils de monitoring : Analyse comparative des outils de monitoring de modèles ML disponibles sur le marché, et implémentation d'une librairie personnalisée pour le suivi en temps réel des métriques des modèles (classification, régression, NLP). - Développement d'une librairie de monitoring customisée : Conception et intégration d'une solution de monitoring basée sur Elastic Stack (Elasticsearch et Kibana) pour un environnement on-premise. - Implémentation de solutions de model serving - Étude des bases de données vectorielles - Guideline sur les bases de données vectorielles - Guideline GEN IA - Déploiement et tests de modèles LLM on-premise - Développement d'un chatbot basé sur RAG - Quantisation et déploiement de modèles LLM - Mise en place d'une pipeline CI/CD : Développement d'un pipeline complet pour le monitoring en temps réel des modèles ML, incluant un livrable sous forme d'image d'architecture et un template adaptable selon les besoins.

Mission : Pipelines de données pour le secteur automobile : Mise en place d’un Projet Big-Data de bout en bout : de l’ingestion des données, jusqu’à la restitution via API, dans le but de trouver les pannes récurrentes par marque et modèle de voiture. - Ingestion de données depuis différentes sources (PostgreSQL, CSV, Excel, APIs) - Anonymisation, Parsing et cleaning des données ingérées - Transformation des données : diags, pannes

Sujet : CREDIT SCORING (pour la banque en ligne) • Recherche des données liées au crédit et prêt bancaire (kaggle, datacamp, towardatascience, git) • Pré-traitement des données et feature engineering (Woe Benning) • Entrainement du modèle de prédiction de la probabilité de default (Régression logistique) • Amélioration des performances et Création d’une carte de score • Elaboration du Dashboard • Développement et Intégration de API

Développement d'une caméra capable de compter la foule en anonymisant les images. Récupération d'image de crustacé. Utilisation de la librairie Pink pour le traitement d'image. Recherche et test de différentes méthodes de traitement d'images dans le but de trouver la plus optimisée pour le problème.

Création d'un site web de gestion interne de l'entreprise VDSA. Géolocalisation des boutiques grâce à leaflet. Création de tableaux statistiques permettant d'avoir une approximation sur les ventes diverses des commerciaux.

Intitulé du projet : Camera qui compte les personnes présentes dans une foule tout en anonymisant les images. Matériel : - Camera - Rasberry pi - Carte Jetson - Ecran Différentes tâche : - Implémentation d’une communication Socket en C++ - Utilisation du réseaux de neurones YOLO pour la détection et le comptage. - Implémentation en Nodejs de l’IHM pour assurer un affichage temps réel des images.

Création d'une CRM pour une clinique. Construction des interfaces graphiques nécessaires aux diverses manipulations. Traitement des données brutes des patients afin de leur proposer des offres spéciales. Géolocalisation du patient afin de lui proposer la clinique partenaire la plus proche de sa position.