Eva Blot

Dans le cadre de projets existants (JupyterLab pour la modélisation,

Dataiku pour la production).

• Recueil et analyse des besoins métiers

• Développement, adaptation et correction de scripts (Python)

• Rédaction de documentations techniques détaillées pour gestion de

la connaissance (Confluence)

Recueil et analyse des besoins métiers auprès des équipes projets.

Développement de projets sur Dataiku / DSS (scripts Pyspark, SQL ou modules DSS intégrés - git versionning), scénarios d’automatisation, bundle testé en recette, préparation à la MEP et documentation.

Développement de projets en SQL, concernant les projets « legacy » : modifier ou ajouter features (nouveaux champs, jointure et enrichissement des données …) à l’existant, en application des nouvelles normes assurantielles.

Assistance et montée en compétence des utilisateurs :

- Aide au développement et correction de scripts pour les utilisateurs Dataiku

- Définition de bonnes pratiques de développement et d’utilisation de la plateforme

- Analyse des logs d’erreur pour résolution de problèmes (Dataiku et Spark)

Prédiction de la pollution de l’eau en entrée de station d’épuration des eaux, afin d’optimiser la consommation électrique. Seule sur ma partie, dans une équipe de 3/4 personnes en full remote.

- Montée en compétences sur le fonctionnement d’une station, veille technologique sur les modèles adaptés aux différents problèmes et choix d’une solution par indicateurs de qualité de l’eau (réseaux de neurones (RNN), simples régressions linaires ou solution hybride, afin d’affiner les prédictions)

- Utilisation de Python (notebooks Jupyter pour le développement et l’entrainement, et scripts Python pour l’inférence, et la mise en production)

- Agrégation du code (et des modèles) des autres développeurs et réfactoring pour respecter les standards de code de production

- Utilisation du framework Keras pour les réseaux de neurones

- Developpement hors scope: test de PySpark pour une optimisation du code sur Spark

- Rédaction d’une documentation détaillée pour les data scientists côté client et gestion de leurs feedbacks

- Gestion des tâches effectuée avec Trello

POC de reconnaissance d’images, pour la reconnaissance et la classification de tours de cou (colliers avec badge pour les employés internes). Objectif d’application: donner des droits d’accès en fonction des couleurs. En équipe de 3 personnes sur site.

- Analyse des besoins, veille technologique sur les CNN

- Mise en place d’un premier algorithme développé par les équipes R&D, entrainé pour la reconnaissance d’humains. Deuxième algorithme CNN pour la reconnaissance de colliers et leur classification (couleur).

- Utilisation de Python (scripts) et de scripts bash (labellisation des images en amont)

- Utilisation du framework Tensorflow pour la partie réseau de neurones

Prédiction des opportunités Atos en utilisant les données historiques des contrats et des compétiteurs.

- Cleaning et analyse des données. Utilisation de techniques de NLP (concernant les données textuelles: descriptif des contrats): dictionnaire de mots, tf-idf, stop word removing...

- Utilisation d’un réseau de neurones pour la classification de ces contrats

- Utilisation de R (notebooks Jupyter), pour le code

- Mise en place de dashboards Kibana pour visualiser les données et les résultats

- Utilisation de Streamsets pour le transfert des résultats sur Elastic Search

Centraliser, Organiser, Analyser et Visualiser les données RH du département R&D. Une partie en équipe de 3 et une partie en autonomie.

- Participation à l’élaboration du processus de centralisation et d’anonymisation des données RH. Choix des sources, des serveurs de stockage et de l’encryptage des données. Cette partie a été effectuée en équipe de 3 (data architecte/data scientist)

- Analyses sur les données RH du département R&D en utilisant notamment R sur JupyterLab

- Mise en place de dashboards Kibana pour la visualisation des données et des résultats des analyses. Streamsets pour le transfert des résultats sur Elastic Search

- Maintenance en production et développement de nouvelles fonctionnalités en parallèle

- Agilité permettant l‘évolution du scope

- Gestion des tâches sur Polarion

Mise en place de plusieurs petits projets en R&D, dans une direction orientée recherche, état de l’art, prototypage, vieille technologique. Le but étant de tester et d’évaluer des algorithmes et des fonctionnalités d’outils pour une utilisation prochaine dans des projets internes ou externes.

- Test de l’algorithme Prophet de Facebook pour une problèmatique de time series (effectué sur les données du projet Suez)

- Test PySpark pour le projet Suez

- Test de fonctionnalités Kibana permettant d’optimiser les recherches sur Elastic Search (query personnalisées) : données RH

- Test de fonctionnalités Kibana permettant de faire des prédictions directement dans l’outil (Timelions) : données RH

- Affinage des prédictions d’opportunités, sur les données WinLoss d’Atos en suivant la méthodologie et les algorithmes de papiers de recherche (ex: score-driven threshold, for binary and multiclass imbalanced dataset). Mise en production dans le cadre d’un projet.

- Test d’algorithmes d’analyse de sentiments sur des retours clients (NLP).