Hugo Alberola

Développement d’une solution intelligente permettant de prédire le cout et le chiffre d’affaires des projets.

Utilisation de Sklearn, LightGBM et de XGBoost pour l'entrainement de modèle de machine learning pour la prédiction d'une série temporelle.

Récupération et traitement de la donnée afin de créer un historique exploitable par nos modèles avec le versionning des model viaMLflow.

Optimisation des hyperparamètres avec Optuna.

Création de l'API pour l'inférence des modèles via Docker et FastAPI

Déploiement de la solution sur Azure App Service avec un CI/CD.

Historisation des prédictions sur Mongodb via Azure cosmos

Le potentiel retard dans la livraison d’un colis est important et peut impacter fortement la clientèle de DPD. Les demandes d’information de l’état de livraison engendrent des coûts liés à l’hébergement des applications de support. L’objectif de ce projet est d’anticiper ces demandes, grâce à l’ensemble des évènements que les colis génèrent (1 milliard mensuel).

Intégration de Spark et de Jupyter lab sur Kubernetes, requêtage sur Cassandra, développement d'un modèle de détection d'anomalie avec DBSCAN. Création d'une plateforme logiciel avec Kafka, Cassandra et Spark. déploiement de modèle sur un flux streaming avec Scala et Spark streaming.

L’aide à l’accessibilité web, passe par le développement de tests d’accessibilité. Le but de ce projet est d’automatiser ces tests avec des techniques de Deep Learning.

Scraping de données (Image et textuelle) sur un ensemble de sites internet. Entrainement et utilisation de modèle de vision par ordinateur pour sous-titrer ou détecter les objet dans une image (YOLOv3, InceptionV3, Resnet ,SSD, Transformer et BERT) . Création d'API avec FastAPI conteuriser avec docker. Déploiment d'un ensemble de micro service Fast API, Streamlit et Selenium sur Azure Kubernetes Service.