KOLIA

Architecture et Infrastructure- Déploiement Cloud : Infrastructure complète sur Google Cloud Platform utilisant Cloud Functions, Cloud Scheduler et Cloud Storage- API de prédiction : Développement d'une API FastAPI pour l'intégration avec le site existant- Pipeline CI/CD : Automatisation du déploiement via GitLab avec mise à jour continue du modèle Collecte et Traitement des Données- Base de données : Intégration avec l'API de la base de données restaurant- Feature Engineering : Création extensive de variables prédictives incluant :&nbsp; - Variables temporelles (encodage cyclique des dates, week-end, fin de mois)&nbsp; - Périodes spéciales (vacances, jours fériés, Noël, Ramadan)&nbsp; - Données météorologiques (température, précipitations, ensoleillement)&nbsp; - Caractéristiques de la ville et du restaurant&nbsp; - Métriques de performance historiques Modélisation et Machine Learning- Algorithmes : Implémentation de Random Forest Regressor et LGBM- Optimisation : Recherche par grille (GridSearchCV) pour l'optimisation des hyperparamètres- Évaluation : Modèle évalué sur le score R²- Entraînement : Processus quotidien automatisé d'entraînement avec nouvelles données Composants Techniques- API FastAPI : 3 endpoints développés- Tests automatisés : Suite de tests avec pytest pour validation continue- Containerisation : Docker avec déploiement sur Azure App Service- Workflows : GitHub Actions pour les tests et le déploiement Azure Livrables- API fonctionnelle déployée sur le cloud- Documentation technique complète avec diagrammes d'architecture- Pipeline de données automatisé- Système de prédiction évolutif et scalable

Projet d'Intelligence Artificielle intégrant un module de prédiction du nombre de commandes quotidiennes pour les restaurants. Le système utilise des algorithmes de machine learning déployés sur Google Cloud Platform avec une API FastAPI pour servir les prédictions.

Data Science

DevOps

Machine Learning

KOLIA - Prédiction des Commandes

ESKIMOZ

<h3>Développement de la Plateforme Core</h3><ul><li>Architecture Backend : Construction d'une application Python FastAPI robuste avec des patterns d'architecture propre, implémentation du pattern repository, injection de dépendances et séparation des couches de service</li><li>Conception Base de Données : Conception et implémentation d'un schéma PostgreSQL complet avec plus de 15 tables interconnectées supportant les marques, concurrents, questions de surveillance, résultats et données d'analyse</li><li>Développement API : Création d'une API REST complète avec 7 groupes d'endpoints principaux (marques, concurrents, questions, résultats, tâches, planificateur, fournisseurs-llm) avec opérations CRUD complètes et logique métier</li></ul><h3>Intégration IA &amp; LLM</h3><ul><li>Support Multi-Fournisseurs LLM : Intégration de plusieurs fournisseurs LLM (OpenAI , Perplexity) avec sélection de modèle configurable et mécanismes de fallback</li><li>Génération Intelligente de Requêtes : Développement d'un système de génération de requêtes de recherche alimenté par l'IA qui crée des requêtes web pertinentes basées sur le contexte de marque et les objectifs de surveillance</li><li>Moteur d'Analyse de Contenu : Implémentation d'une analyse de texte sophistiquée utilisant les LLM pour :<ul><li>Détection et vérification des mentions de marque</li><li>Identification et suivi des concurrents</li><li>Analyse de sentiment avec notation (échelle 1-10)</li><li>Classement des entités et priorité d'apparition</li><li>Évaluation de la crédibilité des sources</li></ul></li></ul><h3>Scraping Web &amp; Traitement de Données</h3><ul><li>Infrastructure de Scraping Professionnelle : Intégration du service proxy Oxylabs pour une extraction de contenu web fiable et à grande échelle</li><li>Pipeline de Traitement de Contenu : Construction d'un système de scraping de contenu automatisé avec gestion d'erreurs, mécanismes de retry et suivi des statuts</li><li>Validation &amp; Nettoyage de Données : Implémentation d'utilitaires robustes de traitement de texte et de normalisation d'URL</li><li>Système de Cache : Développement d'un mécanisme de mise en cache de sites web d'entités pour optimiser les opérations de scraping répétées</li></ul><h3>Performance &amp; Évolutivité</h3><ul><li>Traitement de Tâches Asynchrone : Implémentation d'un système de pool de workers avec capacités de mise à l'échelle dynamique pour gérer les tâches de surveillance concurrentes</li><li>Gestion Mémoire : Construction d'un pattern circuit breaker avec surveillance mémoire pour prévenir la surcharge système pendant les opérations intensives</li><li>Traitement par Lots : Conception d'un système de traitement par lots efficace pour gérer plusieurs marques et questions de surveillance simultanément</li><li>Système de Planification : Création d'un planificateur basé sur CRON pour la surveillance automatisée avec intervalles configurables et exécution parallèle</li></ul><h3>Assurance Qualité &amp; Tests</h3><ul><li>Suite de Tests Complète : Développement d'un framework de test extensif avec :<ul><li>Tests unitaires pour tous les composants core (repositories, services, clients LLM)</li><li>Tests d'intégration pour les endpoints API et opérations base de données</li><li>Implémentations mock pour les tests de services externes</li></ul></li><li>Qualité Code : Implémentation de gestion d'erreurs appropriée, logging, validation d'entrées et annotations de type dans tout le code</li><li>Migrations Base de Données : Mise en place du système de migration Alembic pour les changements de schéma avec contrôle de version</li></ul><h3>DevOps &amp; Déploiement</h3><ul><li>Containerisation : Création de la configuration Docker pour un déploiement cohérent entre environnements</li><li>Gestion d'Environnement : Implémentation d'une gestion de configuration complète avec paramètres spécifiques par environnement</li><li>Pipeline CI/CD : Mise en place du workflow GitHub Actions pour les tests automatisés et le déploiement</li><li>Prêt pour Production : Configuration du logging, monitoring et suivi d'erreurs pour le déploiement en production</li></ul><h3>Réalisations Techniques</h3><ul><li>Architecture Modulaire : Conception d'une base de code hautement maintenable avec séparation claire des préoccupations et injection de dépendances</li><li>Traitement Temps Réel : Atteinte d'une surveillance de marque efficace en temps réel avec intervalles de polling configurables</li><li>Conception Évolutive : Construction d'un système capable de surveiller des centaines de marques avec des milliers de questions simultanément</li><li>Optimisation Coûts : Implémentation de cache intelligent et de regroupement de requêtes pour minimiser les coûts d'API LLM</li><li>Sécurité : Intégration d'authentification appropriée, sanitisation d'entrées et gestion sécurisée des identifiants</li></ul><h3>Fonctionnalités à Impact Business</h3><ul><li>Rapports Complets : Génération de rapports de surveillance détaillés avec analytics de présence de marque, suivi concurrentiel et tendances de sentiment</li><li>Suggestions Automatisées : Développement d'un système de suggestion de questions alimenté par l'IA pour aider les utilisateurs à optimiser leur stratégie de surveillance</li><li>Support Multi-tenant : Construction d'isolation de domaine et d'espace de travail pour les clients entreprise</li><li>Monitoring Performance : Implémentation de suivi détaillé de l'exécution des tâches, taux de succès et métriques de performance système</li></ul>

Plateforme SaaS sophistiquée qui exploite les modèles de langage (LLM) pour surveiller les mentions de marque et l'intelligence concurrentielle sur le web. Le système fournit un suivi automatisé, une analyse de sentiment et des rapports complets pour les marques et leurs concurrents grâce au scraping web intelligent et à l'analyse de contenu alimentée par l'IA.

Backend Development

SQL databases

Plateforme de Veille de Marque Alimentée par l'IA

SUPINFO

Intervenant chez SUPINFO Tours afin de couvrir 2 modules data pour les étudiants de 4 eme année.Sujets abordés :<ul><li>Nettoyage de données</li><li>Analyse de données</li><li>Statistiques et probabilités</li><li>Modèles de machine learning </li></ul>

Clean Code

Intervenant chez SUPINFO Tours

Openclassroom

Accompagnement des étudiants engagés dans la formation en Data science &amp; Data Analyse via des visios.Sujets abordés : <ul><li>Nettoyage de données</li><li>Analyse de données</li><li>Analyse graphique et dashboard</li><li>Statistiques et probabilités</li><li>Modèles de machine learning (ML, computer vision et LLMs)</li><li>Mise en production &amp; cloud</li></ul>

Deep Learning

Data Analysis

Mentor chez openclassroom

Sonova audiological care France

1 - Problématique du clientDétecter automatiquement des patterns sur des pdfs scannés2 - Solution apportéeMise en place d'un modèle de classification d’images à partir des données fournies :- Séparation/Préparation des données- Mise en place de technique d'augmentation d'images- Test de plusieurs modèles différents- Comparaison des différents modèles au niveau des métriques (précision par exemple)- Affichage de données exemples- intégration du modèle3 - Durée du projet1 semaine4 - Impact chiffréPlusieurs dizaines de milliers de documents traités automatiquement

Création d’un modèle de classification d’images afin d’automatiser la collecte d’informations à partir de PDFs/images

Python

Data Visualization

Yann a réalisé la mission avec succès et rapidité. Il n'a suffit que d'une réunion pour que Yann identifie notre besoin de classification d'image et travaille sur le projet. Yann nous a rendu le projet dans des délais plus que raisonnable en nous proposant plusieurs modèles de classification. Les modèles ont été délivrés lors d'un point téléphonique accompagnés des explications des différents méthodes utilisées. Yann nous a accompagné dans la mise en place du modèle dans le traitement déjà en place et s'est assuré que nous ne rencontrions aucune difficulté. 
Point fort: 
- Trés bonne compréhension du besoin et communication trés claire. 
- Rapidité dans le traitement de la demande 
- Bon accompagnement.

Modèle IA de Classification pour PDFs/Images

Convolutional Neural Networks

Practical Reinforcement Learning

Improving Deep Neural Networks: Hyperparameter tuning, Regularization and Optimization

Neural Networks and Deep Learning

Mentor Data Science 

Ingénieur Machine learning | Data scientist 

Accompagnement des étudiants engagés dans la formation en Data science & Data Analyse.

Data scientist

Machine learning Engineer

Deep Learning Intern

During this internship, I designed a mobile application called "connect", which helps employees find their way around the premises and to get to know their co-workers better. 
I published it on Google Play and on the App Store and it is now used by hundreds of employees.

Yann Maillet

Mentor Data Science

À propos

Expérience de travail

Ingénieur Machine learning | Data scientist

Mentor Data Science

Data scientist

Terra

Machine learning Engineer

Deep Learning Intern

Mobile App Development Internship

Formation

Université de Technologie de Compiègne (UTC)

Université de Technologie de Compiègne (UTC)

Licences et certifications

Convolutional Neural Networks

Practical Reinforcement Learning

Improving Deep Neural Networks: Hyperparameter tuning, Regularization and Optimization

Neural Networks and Deep Learning

Portfolio

KOLIA - Prédiction des Commandes

KOLIA

Plateforme de Veille de Marque Alimentée par l'IA

ESKIMOZ

Intervenant chez SUPINFO Tours

SUPINFO

Mentor chez openclassroom

Openclassroom

Modèle IA de Classification pour PDFs/Images

Sonova audiological care France

Talents

Recruteurs

À propos