CV

Au cœur de l'informatique du groupe BPCE, j'ai fait passer des cas d'usage marketing du prototype à la production, et contribué à l'outillage qui standardise ce passage pour tout le groupe.

• Connaissance client : segmentation avancée, prédiction de l'attrition, analyse de sentiment des retours clients et moteur de recommandation.
• Moments de vie : modèles qui prédisent les étapes clés du parcours client (retraite, premier emploi, déménagement), déployés en production pour proposer le bon conseil au bon moment.
• IA générative : mise en œuvre de méthodes d'évaluation d'un agent conversationnel fondé sur le RAG, pour mesurer la pertinence et la fiabilité de ses réponses.
• Librairie MLOps interne : contribution à l'outil Python qui automatise et standardise le packaging et le déploiement des modèles de machine learning du groupe.
• Industrialisation et cloud : CI/CD, monitoring en production et migration des cas d'usage vers GCP (BigQuery, Vertex AI), main dans la main avec les Data Engineers et DataOps.
• Agilité : projets menés en Scrum, avec des restitutions régulières aux parties prenantes.

• Python
• PySpark
• Séries temporelles
• LLM
• BigQuery
• Vertex AI
• Airflow
• MLOps
• CI/CD
• NLP
• Scrum
• Linux

Chez ce spécialiste du conteneur connecté, j'ai transformé les données de capteurs IoT en outils de pilotage pour la logistique maritime : maintenance, chaîne du froid et sécurité.

• Maintenance prédictive : estimation de l'autonomie restante des batteries des balises de géolocalisation, pour planifier les interventions et gérer le cycle de vie du parc.
• Chaîne du froid : prévision de la température des conteneurs frigorifiques, au cœur des systèmes d'alerte.
• Sécurité : algorithmes de détection d'ouverture de porte à partir des signaux capteurs.
• Vision : traitement et classification d'images satellites pour annoter les zones utiles au transport maritime.
• Qualité des données : gouvernance, monitoring et fiabilisation des pipelines d'analyse et de modélisation.
• Collaboration avec la recherche : travaux menés avec un laboratoire de recherche sur le nettoyage automatique des données capteurs par apprentissage par renforcement.
• Référent Data Science et statistique : appui méthodologique de l'équipe sur la modélisation et l'analyse des données.

• Python
• IoT
• Séries temporelles
• Vision
• Maintenance prédictive
• Reinforcement learning
• Linux

Pour l'informatique des Caisses d'Épargne, j'ai mis le machine learning au service du crédit, de la lutte contre la fraude, de la fidélisation des clients et du traitement automatique des documents.

• Lutte contre la fraude : modèle non supervisé de détection d'anomalies pour repérer les chèques frauduleux et mieux protéger les clients.
• Scoring crédit : construction d'un modèle de scoring pour déterminer le taux des crédits proposés aux clients.
• Bénéficiaires d'assurance vie : identification automatique des bénéficiaires à partir de documents hétérogènes (PDF, courriers manuscrits numérisés, verbatims), en combinant reconnaissance d'entités nommées (NER) et vision par ordinateur.
• Rétention : modèles de prédiction de l'attrition pour les jeunes, les professionnels et les entreprises, socle de stratégies de fidélisation ciblées.
• Data Lake : ingestion et structuration des données avec PySpark pour centraliser l'analyse et le déploiement des modèles.
• Aide à la décision : tableaux de bord interactifs qui traduisent les modèles en plans d'action pour les métiers.

• Python
• PySpark
• SQL
• NER
• Vision
• Scoring crédit
• Détection d'anomalies
• Churn
• Data Lake
• Linux

En recherche médicale, j'ai appliqué la statistique à la génomique et à l'épidémiologie : c'est là que s'est forgée ma rigueur méthodologique.

• Génomique : analyses inférentielles et classification de profils génomiques pour révéler des sous-groupes de patients biologiquement pertinents.
• Grande dimension : sélection de gènes candidats parmi des milliers de variables, par régression pénalisée (lasso) et contrôle du taux de fausses découvertes (FDR).
• Oncologie : modélisation de l'impact clinique de biomarqueurs sur la progression de la leucémie, par des méthodes multivariées.
• Analyse de survie : modèles de Cox et courbes de Kaplan-Meier pour mesurer la valeur pronostique de ces biomarqueurs sur la survie sans progression.
• Épidémiologie : modèle de propagation de la dengue intégrant des facteurs biologiques et environnementaux pour simuler la dynamique des foyers.
• Inférence causale : estimation de l'effet des actions de lutte antivectorielle sur l'incidence de la dengue, en explicitant les facteurs de confusion par des graphes causaux (DAG) et en les corrigeant par pondération sur le score de propension.

• R
• Statistique multivariée
• Inférence causale
• Analyse de survie
• Génomique
• Épidémiologie
• Modélisation
• Linux