Sambou DIAO

Mes missions Mission 1: Conception et déploiement d’un assistant GenAI interne basé sur une architecture RAG Contexte mission: Intervention en tant que Data Scientist / ML Engineer pour concevoir un assistant GenAI interne destiné à la recherche documentaire et au support des équipes data, dans un environnement sécurisé. Responsabilités clés: ✅ Conception d’une architecture RAG (ingestion, chunking, vectorisation, retrieval) pour des documents volumineux et hétérogènes ✅ Automatisation des pipelines de traitement et d’indexation des connaissances ✅ Gestion de la scalabilité des bases vectorielles et des flux de données ✅ Mise en place de métriques de monitoring (qualité des réponses, dérives, performance) ✅ Collaboration avec les équipes data et IT pour l’intégration en production Impact & résultats: ✅ Réduction significative du temps de recherche documentaire ✅ Amélioration de la qualité et de la fiabilité des réponses techniques ✅ Adoption par les équipes data dans un cadre conforme aux contraintes de sécurité Mission 2: Développement et mise en production d’un modèle de prédiction du taux de chômage Contexte mission: Mission de Data Scientist visant à fiabiliser et améliorer les prévisions du taux de chômage afin de soutenir la prise de décision stratégique, à partir de données publiques et administratives. Responsabilités clés: ✅ Analyse et exploitation de données issues de France Travail, de l’INSEE et d’autres sources administratives ✅ Développement de modèles prédictifs (régression, XGBoost, réseaux neuronaux) et comparaison des performances ✅ Optimisation des modèles ayant conduit à une amélioration de +15 % de la précision des prévisions ✅ Mise en place d’un pipeline industrialisé : collecte, nettoyage, entraînement, validation et déploiement ✅ Intégration des bonnes pratiques MLOps (GitLab CI/CD, Docker, MLflow) pour assurer traçabilité, reproductibilité et déploiement en production Impact & résultats: ✅ Amélioration significative de la fiabilité des prévisions ✅ Modèle exploitable en production pour orienter les décisions stratégiques ✅ Réduction du risque décisionnel grâce à des indicateurs prédictifs robustes Mission 3: Conception et déploiement de dashboards analytiques pour le suivi des KPI des demandeurs d’emploi Contexte mission: Mission de Data Scientist visant à concevoir un outil de pilotage décisionnel permettant le suivi des indicateurs clés liés aux demandeurs d’emploi, à destination d’équipes métier et décisionnaires. Responsabilités clés: ✅ Conception d’un dashboard interactif sous R Shiny pour la visualisation des KPI (taux de chômage par région, tendances temporelles, comparaisons interrégionales) ✅ Développement de cartes interactives avec filtres dynamiques (période, région, catégories socio-professionnelles) ✅ Structuration des indicateurs pour garantir cohérence, lisibilité et comparabilité dans le temps ✅ Déploiement sécurisé de l’application via ShinyApps.io et gestion des accès Impact & résultats: ✅ Mise à disposition d’un outil ergonomique facilitant le pilotage opérationnel et stratégique ✅ Accès rapide et autonome aux indicateurs pour les équipes métier ✅ Amélioration de la prise de décision grâce à une visualisation claire et actualisée des données Technos clés : Python, R, Shiny, SQL, Docker, Git, GitLab CI/CD. Vous avez une mission similaire ? Contactez-moi pour en discuter !

Projet 1 : Développement et mise en production d’un modèle de prédiction du taux de recours aux urgences (TRU) Contexte mission: Mission de Data Scientist dans le cadre d’un projet national piloté par une ARS, visant à outiller les Agences Régionales de Santé pour anticiper et réduire le recours aux services d’urgences, en lien avec les objectifs nationaux de désengorgement du système hospitalier. Responsabilités clés: ✅ Intégration et préparation de données de santé issues de sources multiples (RPU, PMSI, SNDS, Open Data) ✅ Mise en place de contrôles qualité, nettoyage et structuration des données pour des pipelines ML robustes ✅ Développement de modèles prédictifs du taux de recours aux urgences et du taux de PRPV ✅ Industrialisation des modèles via scripts automatisés et conteneurisation avec Docker ✅ Collaboration avec équipes métier santé, data et DevOps pour aligner modèles et usages opérationnels Impact & résultats: ✅ Modèles exploitables en production pour identifier les zones à fort potentiel de réduction du recours aux urgences ✅ Amélioration de l’aide à la décision pour le pilotage de l’offre de soins non programmés ✅ Contribution directe à une politique publique de santé à fort enjeu Projet 2 : Conception et déploiement d’une application cartographique pour la visualisation des indicateurs de santé Contexte mission: Conception d’un outil national de visualisation et de reporting destiné aux Agences Régionales de Santé, permettant le suivi et l’analyse territoriale des indicateurs clés liés aux soins non programmés et au recours aux urgences. Responsabilités clés: ✅ Définition des indicateurs de santé en lien avec les équipes métier ✅ Développement d’une application web de cartographie interactive pour la visualisation des indicateurs (TRU, PRPV, etc.) ✅ Mise en place de filtres dynamiques et comparaisons territoriales ✅ Déploiement et sécurisation de l’application pour un usage national Impact & résultats: ✅ Mise à disposition d’un outil ergonomique et interactif pour le pilotage territorial ✅ Réduction de la dépendance aux reportings manuels ✅ Adoption par les ARS pour le suivi opérationnel des politiques de santé Stack technique : Python, R, Shiny, SQL, MLflow, Git, GitLab CI/CD, Linux, Docker. Vous avez un projet similaire ? Contactez-moi pour en discuter !

Projet : Mise en place d’un pipeline MLOps pour la prédiction et le monitoring des indicateurs hospitaliers Contexte mission: Mission de Data Scientist visant à fiabiliser les indicateurs hospitaliers et à améliorer l’organisation des services d’urgences, via la prédiction de la durée de passage aux urgences (DPU) et le monitoring avancé de la qualité des données. Responsabilités clés: ✅ Conception et déploiement d’un pipeline MLOps complet pour la prédiction de la durée de passage aux urgences ✅ Définition et calcul d’un score composite de qualité des données (SQD-RPU) basé sur 41 indicateurs (exhaustivité, cohérence, crédibilité) ✅ Mise en place de mécanismes de monitoring de la qualité des données et des modèles ✅ Développement d’un modèle prédictif estimant la durée attendue en fonction du cas-mix patient et des caractéristiques des services ✅ Industrialisation et automatisation des traitements pour un usage opérationnel Impact & résultats: ✅ Mise à disposition d’indicateurs fiables pour le suivi de la qualité des soins ✅ Aide à l’optimisation de l’organisation des services d’urgences ✅ Amélioration de la prise en charge des patients grâce à une meilleure anticipation des flux Stack technique : Python, R, SQL, Shiny, MLflow, Git, Gitlab CI/CD, Docker.