Cristian Ghitu

Congé sabbatique planifié, dédié au voyage et à la préparation d'une transition vers le conseil indépendant. Période mise à profit pour concevoir un cours en ligne d'introduction à Scala et actualiser ma stack technique ML Engineering et GenAI.

- Création de cours en ligne : Conception et développement d'un cours en ligne d'introduction au langage Scala (vidéos, supports de présentation, exercices interactifs et quiz).

Écriture de tests unitaires automatisés en Scala pour l'évaluation des solutions des étudiants et utilisation de l'interface de la plateforme hôte pour le déploiement de quiz auto-évalués.

- Upskilling : ML Engineering et GenAI.

MLE : conteneurisation (Docker), l'orchestration de workflows (Apache Airflow), service de modèles/APIs (FastAPI), CI/CD (GitHub Actions).

GenAI : LLM, pytorch.

- Certification : Obtention de la certification AWS Certified Cloud Practitioner.

Réalisation de projets de Data Science en Agile Scrum, du cadrage jusqu'à leur industrialisation.

Projets clés :

- Estimation de risque : Création de pipelines de données et de prédiction industrialisés pour calcul de scores de risque.

Nettoyage, préparation et feature engineering avec PySpark et entraînement de modèles avec scikit-learn et d'autres librairies ML, avec SHAP pour expliquer les prédictions.

Structuration des traitements en pipelines à l'aide de Kedro, avec Great Expectations pour les contrôles qualité.

Utilisation de MLflow pour le versionning et le suivi des performances des modèles.

- Automatisation de transactions : Création de modèle industrialisé permettant de réduire le temps passé par les conseillers sur le traitement de transactions.

Passage du code Python exploratoire à un code Scala industrialisé.

- Calcul de KPIs réglementaires : Traitement de données massives avec PySpark pour le calcul d’indicateurs réglementaires.

- Détection d’anomalies de facturation : Application de modèles non-supervisés pour la détection d’anomalies sur des lignes de facturation.

- Classification d’incidents informatiques (PoC): Application de techniques NLP pour grouper et classer les incidents informatiques par thématique.

Utilisation de Spark et Scala avec OpenNLP et StanfordNLP pour distribuer et réduire le temps de prétraitement du texte.

Conventions et partage :

- Standardisation : Mise en place de standards pour les projets ML afin d’accélérer la transition de PoCs (notebooks Jupyter) vers des applications industrialisées, en établissant des conventions pour le code exploratoire.

- Accompagnement et REX : Organisation de meetups et REX en tant que membre de communautés de développeurs.

Accompagnement de juniors pendant leur onboarding.

Stack technique : Python, Scala, Apache Spark (PySpark), Hadoop, Kedro, MLflow, Great Expectations, scikit-learn, Hyperopt, XGBoost, H2O, SHAP, Git, Dataiku.

Projet de Fin d’Études : Maintenance Prédictive.

- Exploration et application d’algorithmes de détection d’anomalies sur des séries temporelles issues de logs applicatives dans le but de permettre la maintenance prédictive de serveurs applicatifs.

Méthodes explorées : modèle de Taylor à double saisonnalité, LSTMs et auto-encodeurs en utilisant Python et Keras.

Stack technique : Python, Keras, scikit-learn, pandas.