Vanel SIYOU

Projets clés : Projet 1 : Développement d'une IA pour la catégorisation des emails liés aux relances de factures, automatisant ainsi la gestion et le tri des communications. Projet 2 : Création d'une IA de soutien au recrutement, capable d'évaluer les profils candidats avec précision pour simplifier et accélérer le processus de sélection. Equipe Projet : 7 personnes (1 Directeur Data,1 Team Lead, 2 Squad lead, 4 Sr. IA Engineer) Responsabilités principales: • Analyse des besoins métiers en collaboration avec les équipes fonctionnelles (Features Teams). • Cadrage et planification des projets en lien avec les parties prenantes. • Développement de solutions d'IA basées sur des Large Language Models (LLM). • Organisation et gestion de campagnes de collecte de données métier pour entraîner les modèles. • Évaluation des performances des modèles : IA Recrutement : 96% de rappel sur les profils « high_match », 90% de précision sur les profils « low_match ». • Conception et développement d'APIs performantes avec FastAPI. • Déploiement des solutions sur un cluster Kubernetes, en garantissant la scalabilité et la robustesse. • Animation de réunions hebdomadaires avec les parties métiers pour assurer le suivi et l'alignement des projets. Environnement technique LangChain, Fast API, Python3, Pytest, MLflow, Sphinx, Kubernetes, Rancher, Azure Devops, DSPy Modèles mathématiques GPT4/GPT4o

Projet : Mentorat d’apprenants en alternance et en reconversion professionnelle sur des projets de Data Science Équipe projet : 7 personnes (1 Mentor, 5 Apprenants, 1 Responsable pédagogique) Tâches principales : Suivi de l’avancée des apprenants sur leurs cours et projets. Fixation d’objectifs hebdomadaires et résolution de points bloquants. Rédaction de comptes rendus hebdomadaires sur l’état d’avancement des apprenants. Projets mentorés : Prévision de la consommation électrique. Segmentation client pour un site de e-commerce. Classification automatique de biens de consommation. Implémentation de modèles de scoring. Déploiement d’applications dans le cloud. Environnement technique : Technologies : Python 3, IPython, Streamlit, AWS, Heroku. Modèles : Corrélation, tests d’indépendance, classification supervisée/non supervisée, réduction de dimension (ACP, embeddings).

Projet : Développement de modèles Data Science, mentoring et gestion d’équipe Équipe projet : 7 personnes (1 PO/PM, 1 Directeur Data, 2 Data Scientists, 1 Data Engineer, 2 Développeurs) Tâches principales : - Recueil des besoins métier auprès des équipes fonctionnalités et participation aux sprints (grooming, backlog). - Développement d’un crawler scalable pour la collecte de données des archives d’un site en production. - Mise en place de pipelines : monitoring qualité des données, profilage, traçabilité, calcul incrémental, entraînement périodique de modèles et scoring. Conception et supervision d'une architecture Data Science sur Google Cloud Platform (GCP) et suivi des coûts. - Développement de modèles prédictifs : - Détection de désabonnement précoce (early churner) (Rappel : 27 %, Précision : 81 %). - Propension à l'abonnement (Rappel : 73 %, Précision : 48 %). - Analyse de données (A/B testing) et documentation technico-fonctionnelle. - Mise à jour de l’infrastructure de production, rédaction de tests unitaires/integration (Pytest, doctests) et post-mortem. - Rédaction d’un dossier pour un financement GAFAM (500 000 € remportés). - Intégration de LLM (GPT-3.5/4) pour des cas d’usage : moteur de recherche (re-ranking), réécriture automatisée, traduction (finetuning). Environnement technique : Technologies : Python, MLflow, Sphinx, GCP (Vertex AI, Kubeflow, Dataproc, Dataflow, BigQuery, Cloud Functions), Spark, Airflow, Scrapy, Jira, Azure OpenAI, Fastly, Cosmos DB. Modèles : XGBoost, t-SNE, GPT-3.5/4. Base de données : BigQuery, CloudSQL (MySQL).

Projet : Maintenance évolutive et mise en production d’une application d’extraction de connaissances à partir de verbatims Équipe projet : 6 personnes (1 PO, 1 Scrum Master, 3 Machine Learning Engineers, 1 Développeur web) Tâches principales : Construction d’un graphe de connaissance (PhraseNet) à partir de verbatims. Restructuration de l’application en classes, packaging avec Poetry et optimisation du code (profiling et réduction des fonctions chronophages). Déploiement de l’application sur un cluster Kubernetes avec conteneurisation via Docker. Implémentation d’une API REST avec Flask et documentation via Swagger. Rédaction de la documentation technique et mise en place de pratiques DataOps pour automatiser les tâches opérationnelles. Environnement technique : Technologies : Python 3, Flask, Marshmallow, Sphinx, Kubernetes, Docker, JFrog Artifactory. Modèle : Graphe de connaissance (Knowledge Graph).

Projet : Maintenance évolutive et migration d’une application de patch management vers AWS Kubernetes (EKS) Équipe projet : 4 personnes (1 PO, 1 Scrum Master, 1 Tech Lead, 1 Développeur) Tâches principales : Correction des bugs répertoriés et ajout de nouvelles fonctionnalités à l’application. Participation aux réunions quotidiennes et hebdomadaires de gestion de projet en méthodologie Agile (Scrum). Déploiement de l’application dans un environnement on-premise. Migration de l’application vers un cluster Kubernetes et intégration sur AWS (EKS). Environnement technique : Technologies : Python 3, Pypugjs, GitLab CI/CD, Mesos Marathon, Kubernetes, AWS (EKS, CloudWatch, S3), API RESTful. Outils et méthodologies : Jira, Checkmarx, Nessus, Robot Framework, Agile (Scrum).

Team of 3 people (1 Team Lead / Scrum Master, 1 Web Developper, 1 Data Scientist) Missions: - Participation in discussions with the client for the expression of needs - Participation in daily and weekly project meetings - Installation of the production server - Implementation of a pipeline for the OCR of pdf files and their database backup - Document annotation and implementation of an annotation inference tool (Named Entity Recognition) - Implementation of a Machine Learning algorithm for fuzzy document classification - Implementation of an artificial intelligence (GPT-3, HuggingFace) to identify documents belonging to classes not yet known (zero shot classification) - Support for user training Technical environment : Ansible Python3, Apache Tika, Tesseract-ocr, MySQL, PyTorch, Elastic Search, Doccano Git/GitLab Agile(Scrum) Code source : https://github.com/etalab-ia/ami-ia-ce/tree/master/juradinfo-ia-data/

Data scientist at the DataLab of Bouygues Construction's innovation division Team: 5 people (1 PO, 1 Scrum Master, 1 DB Administrator, 2 Data Scientist) Missions : - Collecting the needs and validating the specifications with the trade - Adaptation and implementation of an algorithm for identifying frequent subgroups - Implementation of a parser algorithm to import an Excel spreadsheet from the SAP application. - Adaptation of the existing algorithm on the R application to correct the time lag observed in the time data - Adaptation of the existing Python algorithm to correct SQL queries Technical environment: Agile (Scrum), Python (Numpy, Pandas, Matplotlib, sqlalchemy, IfcOpenShell, pythonOCC, collections, mlxtend), Qt5, PyQt, PostgreSQL

Missions - Preparation of tutorials and practical work: decision tree, K-Plus Near Neighbours, Naïf Bayes, evaluation models - classification - Application to a real case: Kaggle Challenge (prediction of the chance of survival of each passenger in the sinking of the Titanic) - Support for the implementation of a decision-making tool to target people likely to make a donation. - Support for the integration of a Java package in the Weka tool allowing to integrate a new functionality. Technical environment: Python, Weka, Java, SAS Enterprise Miners

Implementation of a static backup (failover) route to improve the computer network fault tolerance