Paul Dauriac

Ingénieur en Data Science en prestation chez Airbus. Ma mission consiste à collaborer avec l'équipe de Data Scientist / Data Analyst pour réaliser deux types de tâches:

- Des tâches opérationnelles c'est-à-dire de créer un Dashboard permettant de répondre à différents projets. Celles-ci ayant par exemple permit d'économiser 3M d'euros par mois et de réduire les inégalités salariales.

- Des tâches axées sur la recherche comme la mise en place d'un OCR (Optical Character Recognition), d'un algorithme d'optimisation, du NLP (Natural Language Processing), de l'analyse de données afin de trouver la cause d'un problème etc. J'ai aussi eu l'occasion de mettre en place un algorithme permettant de trouver le meilleur candidat pour une mobilité interne. Cet outil utilise de la similarité textuel ainsi qu'un LLM. Pour faire cela, j'utilise différents outils, à savoir:

- Python, Pandas, Polars, Scikit-Learn, Pytorch, Hugging-Face, Streamlit, VLLM etc

- Spotfire, un logiciel de visualisation de données

- OpenShift et Docker pour le déploiement d'application et exécuter automatiquement des scripts

- Des bases de données comme MySQL

- Github (git) pour le Travail collaboratif Au sein d'Aqsone, j'ai aussi l'occasion de participer à plusieurs aspects de l'entreprise:

- Participation au Lab afin de faire de la recherche sur différents aspects de la Data. Dans ce cadre, nous avons porté une attention particulière à l'ethique des sujets choisis (écologie / santé).

- Participation à la "Squad Method & Tools" visant à définir les outils nécessaires pour notre travail puis à apprendre aux autres Data Scientist à les utiliser

- Participation occasionnelle à d'autres Squad tels que le recrutement, la communication et l'animation de la vie d'entreprise

Prédiction de la dégradation du signal satellite due à la pluie. Extraction séparément des données météorologiques (API externe) et des données de signaux (interne) puis fusion des deux jeux de données. Création de modèles de Machine Learning / Deep Learning et comparaison avec les modèles statistiques (recommandations ITU).

Utilisation d'Intelligence Artificielle afin de créer une application permettant de détecter des émotions à partir de vidéo, voix et texte. Pour le texte: Utilisation de Transformers avec la plateforme ParlAI Pour l'audio: Utilisation de Pytorch Pour l'image: Utilisation de Pytorch L'application a été réalisé avec le module Python Tkinter.