Stéphane Poirier

J’ai recruté et encadré l'équipe chargée de l'analyse des résultats produits par les machine de tests PCR. La gestion de projet se fait selon la méthode scrum en coordination avec la roadmap de l’entreprise. Le contexte technique est celui de la bioinformatique avec du développement en python sur des architectures embarquées. Les principaux algorithmes développés sont des filtres de Kalman, de l’apprentissage automatique et des codes spécifiques d’analyse de vidéos. Nos principales réalisations ont été : - Amélioration de la qualité des tests PCR par analyse de vidéos : sensibilité multipliée par 5 (dépôt d’un brevet) - Analyse des polonies (clusters d’ADN) : détection, séparation et comptage jusqu'à 300 polonies / réaction (équivalent à un comptage sur boite de Petri) - Modélisation du signal de fluorescence : augmentation du nombre de cibles de 4 à 10 par test sans modification hardware Projet PrediMAP avec AP-HP et INSERM : faux positifs divisés par 3 à 90 % de sensibilité.

J’ai encadré l’équipe de data scientists dans une start-up de 10 personnes. Cette entreprise était spécialisée dans l’analyse de photographies pour l’industrie avec deux cibles business : le traitement des emballages ménagers pour le recyclage et l’analyse automatisée des véhicules accidentés. Le contexte technique était des pipelines de deep-learning avec comme foundation network des réseaux de computer vision. La stack technique était serveur mySQL, python embarqué sur raspberry, cloud AWS, pytorch et tensorflow le tout dans une approche MLOps.
Nous avons installé nos systèmes d’analyse des emballages sur 10 sites clients (Véolia, Derichebourg, UPM, Brangeon).
Notre système d’analyse des véhicules accidentés détectait 80% des pièces touchées (BCA expertise).

J’ai été responsable du pôle de compétences de reconnaissance des adresses manuscrites au sein de l’équipe de reconnaissance des adresses postales. J’y ai organisé la RD en reconnaissance de texte en coordination avec le responsable de l’équipe et les chefs de projets clients. La Stack technique était du C/C++ sous windows avec du python pour certains codes offline. Les algorithmes étaient développés en interne : réseaux de neurones profonds et récurrents, modèles de Markov cachés, logique floue. J’ai fait évoluer la reconnaissance des adresses manuscrites selon deux axes : l’amélioration de la précision du tri avec l’ajout de la reconnaissance des numéros et noms de voies comme du destinataire et l’amélioration des performances avec notamment une augmentation de 20% du taux de reconnaissance des codes postaux.

Réalisation de missions chez Sita-Equant, General Electric Medical Systems et Solystic. GE Healthcare J’y ai travaillé sur le développement d’un algorithme d’estimation du flux sanguin dans le cerveau en cas d’AVC, utilisant une déconvolution du signal de vidéos de scanners. Ce poste comprenait des interactions régulières avec une équipe internationale de chercheurs en médecine. Le code était développé en C à partir d’un code en Fortran 77. J’ai pu faire passer le temps de calcul de cet algorithme de 3 heures à 5 minutes environ. SITA Equant Je travaillais dans l’équipe responsable de la base de données du service du planning du réseau. J’y développais les algorithmes d’analyse de graphes (Dijsktra) et d’optimisation des affichages (limitation des intersection d’arêtes). La base était en SQL sur un serveur Oracle et le code consistait en des procédures stockées. Solystic : voir détail dans le champ précédent.