Aymen D.

Détection de la fraude chèque :

• Récupération et nettoyage des données;
• Backtesting des règles sur les données des remises et des impayés;
• Mise en place d'un rapport Power BI pour le suivi des performances des règles;
• Recalibrage des modèles pour assurer leur efficacité face aux évolutions des méthodes employées par les fraudeurs.
• Elargissement du périmètre d'étude pour couvrir tous les types de remise, et les segments clients.

Abus des marchés financiers :

Plafonds des virements :

• Etude statistique sur les comportements de changement des plafonds de virements chez les clients particuliers;
• Collecte des données et constitution de base de différentes sources;
• Entrainement de modèles ML pour prédire les changements de plafonds des virements.

Outil de suivi des patients en urgence

• Collecte des données nécessaires pour alimenter la base de données UMLS.
• Prétraitement des données textuelles.
• Développement de l'algorithme en Python.
• Implémentation de requêtes SQL pour l'importation et l'écriture dans une base de données PostgreSQL.
• Intégration du module dans le pipeline du projet.

Développement d'une solution basée sur l'IA facilitant la recherche d'informations dans les dossiers médicaux :

• Identification et collecte des données nécessaires à l'annotation et à la construction d'un graphe de connaissances médicales à partir de différentes sources.
• Création de modèles NER (Reconnaissance d’Entités Nommées) prédisant la nature médicale des termes (maladie, médicament, symptôme, etc.).
• Création de graphes de relations entre entités (graphe de connaissances) à l'aide de Neo4j.