À propos de Aurélie
Bio (FR)
Data Scientist spécialisée en NLP, ML et analytics.
J’aide les entreprises à transformer leurs données en insights clairs, modèles fiables et outils utilisables.
Compétences principales :
• NLP : chatbots, classification, sentiment analysis, NER
• Modèles ML : data prep → entraînement → évaluation → déploiement
• Data storytelling & dashboards UX
• Intégration UX/UI pour des produits data intuitifs
Projet récent :
Chatbot QA pour l’Université de Limerick (BERT, RAG, dataset SQuAD 1 200 Q/R).
Création du dataset, fine‑tuning, évaluation, scalabilité et documentation.
Autres compétences :
• Vision par ordinateur
• Apprentissage par renforcement (DQN)
• Visualisation orientée UX
• Communication claire
Enseignement :
J’enseigne le machine learning chaque mois à Dublin.
Diplômes :
MSc en IA — University of Limerick
Higher Diploma en HCI & UX — Maynooth University
Bilingue FR/EN.
Bio (EN)
Data Scientist specialised in NLP, ML and analytics.
I help companies turn raw data into clear insights, reliable models and user‑friendly tools.
Core skills:
• NLP: chatbots, text classification, sentiment analysis, NER
• End‑to‑end ML: data prep → training → evaluation → deployment
• Dashboarding & data storytelling
• UX‑driven design for intuitive data products
Recent project:
Built a QA chatbot for the University of Limerick using BERT, RAG and a custom SQuAD‑style dataset (1,200 Q/A pairs).
Handled dataset creation, fine‑tuning, evaluation, scalability and documentation.
Additional experience:
• Computer vision
• Reinforcement Learning (DQN)
• UX‑focused data visualisation
• Clear communication
Teaching:
I teach machine learning monthly in Dublin.
Credentials:
MSc in AI — University of Limerick
Higher Diploma in HCI & UX — Maynooth University
Fluent FR/EN.
Français
Bilingue ou natif
Anglais
Bilingue ou natif
En télétravail uniquement
Travaille majoritairement à distance
Expériences
- IndépendantProjet 2 — Publication arXiv : Fine‑Tuning de BERT pour le QA Domaine‑Spécifique / arXiv Publicationseptembre 2025 - décembre 2025 (3 mois)Dublin, IrlandePublication arXiv : Fine‑Tuning de BERT pour le QA Domaine‑Spécifique
- Publication sur arXiv basée sur mes travaux de MSc portant sur l’adaptation de modèles transformers au question‑réponse universitaire.
- Construction d’un dataset de format SQuAD de 1 203 paires Q/R à partir du Book of Modules (questions manuelles + générées par LLM).
- Fine‑tuning de BERT avec PyTorch et évaluation via Exact Match et F1.
- Comparaison de modèles extractifs avec des pipelines RAG basés sur des LLM (GPT, Gemini, Mistral) via Haystack, évalués avec des scores SAS et une évaluation humaine.
Résultat :Démonstration que le fine‑tuning de BERT sur du contenu académique est efficace et scalable pour des systèmes de QA domaine‑spécifique.EN:arXiv Publication: Fine‑Tuning BERT for Domain‑Specific QA- Published an arXiv paper based on my MSc research on adapting transformer models for university‑level question answering.
- Built a 1,203‑pair SQuAD‑style dataset from the University of Limerick’s Book of Modules (mix of manual and LLM‑generated questions).
- Fine‑tuned BERT with PyTorch and evaluated using Exact Match and F1.
- Also compared extractive models with LLM‑based RAG pipelines (GPT, Gemini, Mistral) using Haystack, assessed with SAS scores and human evaluation.
Result:Demonstrated that fine‑tuning BERT on academic course material is effective and scalable for domain‑specific QA systems. - IndépendantFormatrice en apprentissage automatique et apprentissage profond/ ML and DL tutorjuin 2025 - Aujourd'hui (1 an)Dublin, Irlande
- Organisation de tutoriels mensuels sur l’apprentissage automatique et profond (sessions de 2 heures, jusqu’à 15 participants).
- Création de supports pédagogiques complets via JupyterNotebook, incluant toutes les étapes : prétraitement des données, entraînement et évaluation de modèles.
- Utilisation de Python sur Google Colab avec des bibliothèques telles que : Scikit-learn, PyTorch, TensorFlow, Keras, Seaborn, Pandas, Matplotlib.
- Exploitation de jeux de données publics pour illustrer les concepts et les bonnes pratiques.
- Chaque mois, j’aborde en profondeur un algorithme différent lié à l’apprentissage automatique ou profond, tel que : Régression linéaire, Régression logistique ,K-means clustering (segmentation de clientèle) , Réseaux de neurones artificiels , Arbres de décision , Réseaux de neurones convolutifs (reconnaissance d’images) , Traitement du langage naturel (NLP).
EN:Machine learning and deep learning tutor- I do monthly machine and deep learning tutorials in Dublin. It lasts 2 hours and there can be up to 15 participants.
- I create a comprehensive lesson/tutorial with detailed explanations that I created in a jupyter notebook showing all of the steps of data preprocessing, training and evaluating a model.
- I use Python in google colab with different libraries such as scikit learn, pytorch, tensorflow, keras, seaborn, pandas, matplotlib along with publicly available datasets.
- Each month , I cover a different algorithm in depth such as linear regression, logistic regression, Kmeans clustering for customer segmentation, artificial neural network, decision tree, convolutional neural network for image recognition, natural language processing.
- University of LimerickProjet 1 : Mémoire de MSc (Chatbot de Question‑Réponse)/ MSc Thesis: Question‑Answering Chatbotjanvier 2024 - août 2025 (1 an et 7 mois)Dublin, IrlandeMémoire de MSc: Chatbot de question‑réponse (BERT + RAG)
- Développement d’un système complet de question‑réponse pour le département Électronique et Informatique de l’Université de Limerick dans le cadre de mon MSc en IA.
- Création d’un dataset dans le format SQuAD de 1 203 paires Q/R à partir du Book of Modules (questions manuelles + questions générées par LLM).
- Fine‑tuning de BERT avec PyTorch et évaluation via Exact Match et F1.
- Expérimentation de pipelines RAG basés sur des LLM (GPT, Gemini, Mistral) avec Haystack pour comparer approches extractives et génératives.
- Analyse comparative des performances des modèles pour un futur déploiement interne.
Résultat :Prototype fonctionnel capable de répondre à des questions spécifiques à partir de documents internes, avec identification des meilleurs modèles extractifs et génératifs pour une intégration future.EN:MSc Thesis: Question‑Answering Chatbot (BERT + RAG)- Built an end‑to‑end question‑answering chatbot for the University of Limerick’s Department of Electronic & Computer Engineering (ECE) as part of my MSc in AI.
- Created a 1,203‑pair SQuAD‑style dataset from the Book of Modules (mix of manual and LLM‑generated questions).
- Fine‑tuned BERT with PyTorch and evaluated using Exact Match and F1.
- Also tested LLM‑based RAG pipelines (GPT, Gemini, Mistral) using Haystack to compare extractive vs generative approaches.
Result:Delivered a functional prototype capable of answering domain‑specific questions using internal documents, and identified the best extractive and generative models for future deployment.
Recommandations
Soyez le premier à recommander Aurélie
Contribuez à la réussite de ce freelance en partageant votre expérience de collaboration avec lui.
Ces profils de freelance correspondent également à vos critères
Agatha Frydrych
Backend Java Software Engineer
4.7
(3)
2
Baptiste Duhen
Fullstack developer
4.6
(4)
5
Amed Hamou
Senior Lead Developer
4
(2)
7
Audrey Champion
Web developer
4.3
(3)
4
Formations
- MSc en Intelligence Artificielle / MSc in Artificial IntelligenceUniversity of Limerick2026Calcul scientifique pour l’IA Intelligence artificielle Apprentissage automatique Science des données Analyse de données Apprentissage profond Apprentissage profond pour la vision par ordinateur Éthique de l’intelligence artificielle Mémoire de fin d’études (NLP) Scientific computing for AI Artificial Intelligence Machine learning Data science Data analytics Deep learning Deep learning for computer vision Ethics of AI Final thesis (NLP)
- Higher Diploma en Interaction homme‑machine et Expérience utilisateur / Higher Diploma in HCI and UXMaynooth University2022Développement d’applications mobiles avec JavaScript Développement web 3D avec JavaScript Programmation en Java Communications multimédia (module d’ingénierie) Projet en équipe (module académique) Interface utilisateur (UI), expérience utilisateur (UX) et design d’interaction Enjeux éthiques de l’IHM Projet de fin d’études Mobile app development with JavaScript 3D web development with JavaScript Programming with Java Multimedia communications Team project User Interface (UI) , User Experience (UX) and Interaction Design Ethical implications of HCI Diploma project