Jean-Baptiste Pettit

Conception, développement d'algorithmes de deep learning appliqués à la post production video. Les tâches incluent la detection de scènes, la détection de bounding box d'objets, la détection de contexte, le tracking d'objets au cours du temps. Ces problématiques sont résolues grâce à des algorithmes de réseaux de neurones profonds issus de l'état de l'art (Siamask, TransNet,...) en Tensorflow 2 ou PyTorch

Conception, prototypage, mise en production et accompagnement des équipes en fonction des besoins internes en visibilité sur le fonctionnement de l'entreprise d'une pipeline big data de récupération et de normalisation d’événements asynchrones depuis l'ensemble des services de l'entreprise afin d'exposer en temps réel des dashboards de KPIs à destination du leadership.

- Développement d'une plateforme de Machine learning adaptée à des données de très haute volumétrie (plusieurs millions de prédiction à la seconde, plusieurs centaines de Teraoctets de données d'apprentissage par jour dans le data lake)

- Design et développement de modèles de prédiction (régression, classification, clustering) utilisés au coeur des services de l'entreprise

- Implémentation de l'architecture (data engineering) pour tester, entrainer, et suivre les performance des modèles au cours du temps

- Ecriture de code de forte exigence (car directement destiné à la production) en Scala intégrés au coeur des services critiques de l'entreprise

- Mises en production régulière de nouveaux service de prédiction avec suivi et analyse (ab-test) des impacts sur le business de l'entreprise

- Amélioration continue des modèles de prédiction grâce à du "feature engineering" offline, de l'ab-testing online.

- Forte implication de le développement produits, processus RH pour les besoins toujours plus gros en Machine Learning engineers et en data scientists.

--------------------------------------------------------

- Developing a Machine Learning prediction platform on a big data infrastructure.

- Designing prediction (regression, classification, clustering) models from scratch used at the heart of the company.

- Implementing the data engineering architecture to test, train and monitor the models over time using Spark.

- Producing production level code in scala to use the prediction models within the critical services.

- Improving prediction models via offline feature engineering, online ab-testing, production deployment

- Heavily invested in product development, HR process for ML engineers / data scientists