Bastien Fournier

Création d'un blog, optimisation SEO, gestion de la publicité digitale

Contexte : Améliorer le processus de calibration de carte radio pour un client interne

J'ai travaillé pour le compte d'un client interne sur la mise en place d'algorithmes de machine learning supervisé dans un contexte de maintenance prédictive.

L'objectif du projet a été de réduire le temps de calibration d'une carte radio en se basant sur les valeurs à une température pour prédire le comportement à deux autres températures.

Au cours de ce projet, j'ai eu l'occasion de mettre en place un pipeline complet de machine learning, allant de l'indexation à la prédiction.

Contexte : Maintenance prédictive pour des remontées mécaniques

J'ai travaillé sur un projet de maintenance prédictive pour le leader des remontées mécaniques avec pour but d'exporter un modèle de machine learning sur cible embarquée.

• Analyse des données afin d'étudier les différents cas d'usages

• Création d'un protocole d'expérimentation itératif permettant d'intégrer le client

• Réalisation de l'étude sur les courbes de freinage et ses différentes expérimentations

• Restitution d'une méthode d'analyse des résultats

• Développement d'un perceptron multicouche (PyTorch, ONNX) pour desceller les courbes de freinage anormales et export de celui-ci au format ONNX pour le déploiement sur l'infrastructure du client

Contexte : Scraping des marketplaces pour déceler des annonces frauduleuses

• Conception d’un algorithme de scraping en python en fonction des besoins du client et du data scientist

• Implémentation de l’algorithme pour les marketplaces : Amazon, Leboncoin et Ebay

• Indexation des données au sein d’un index Elasticsearch

• Création de dashboards Kibana pour monitorer l’algorithme

Surveillance maritime - 2019

• Mise en place et industrialisation d'algorithmes de détection de trajectoires anormales de bateaux

• Développement d'algorithmes statistiques au sein du framework de gestion de séries spatio-temporelles Warp10, visant à retranscrire des règles de détection expertes.

• Conception de variables synthétiques.

Industrialisation de modèles de prédiction – 2020

• Intégration de MLflow dans les pipelines d’apprentissage et d’inférence afin d’améliorer le suivi du cycle de vie des algorithmes de machine learning.

• Industrialisation sur PySpark d'un pipeline complet de détection d'anomalies orientée machine learning (classification supervisée).

• Réalisation de tableaux de bord Kibana pour le monitoring de modèles.