À propos de Aziz
En tant que Machine Learning Engineer / Data Scientist, je suis intéressé par les projets data de bout en bout, allant de l'identification des besoins jusqu'à la mise en production des modèles, en utilisant une approche ML Ops.
Je possède de solides compétences notamment en :
- Construction de modèles de classification, de clustering ou prédictifs en utilisant une variété d'algorithmes de machine/Deep Learning.
- Mise en production des modèles dans une solution Cloud, telle que GCP, ou sous forme d'API REST, tout en surveillant attentivement l'évolution des modèles entraînés et des artefacts associés.
- Utilisation d'outils de gestion des versions tels que Git pour le suivi précis des modifications du code, la gestion des branches et la collaboration efficace avec d'autres membres de l'équipe de développement.
- Automatisation des processus de déploiement et de mise à l'échelle des modèles ML en utilisant des outils tels que Docker pour la création de conteneurs légers et portables, et Github actions ou cloud build pour l'automatisation des déploiements.
- Création de pipelines (ETL / ELT) pour l'ingestion et le traitement des données sur la plateforme GCP.
- Création de tableaux de bord avec des solutions telles que Tableau ou Google Data Studio.
Forts de mon expérience dans des domaines aussi divers que l'assurance, l'hydraulique, la recherche, l'automobile et le luxe, je suis prêt à vous aider à exploiter pleinement vos données et vos modèles ML.
Français
Bilingue ou natif
Anglais
Capacité professionnelle complète
En télétravail uniquement
Travaille majoritairement à distance
Expériences
- L'Oréal SA - L'Oréal FranceSenior MLOps - ML EngineerMODE & COSMÉTIQUESmai 2021 - Aujourd'hui (5 ans et 1 mois)Clichy, FranceDans le cadre de cette mission, Je suis en charge de la mise en place d'un pipeline ML pour entrainer et de déployer des modèles de machine learning (NLP). Ces modèles ont pour objectif de recommander des produits en analysant les noms et les descriptions, en fonction des caractéristiques de la peau des clients.Tâches réalisées :- Mise en place de principes MLOps pour assurer la qualité du code et la performance des modèles.- Réalisation d’un système de recommandation basé sur un perfect match filtering.- Utilisation de pipeline Vertex AI (Kubeflow) pour l’entrainement des modèles et la gestion des artefacts associés (métriques, données, etc).- Mise en œuvre d'une chaîne CI/CD avec Cloud Build pour garantir l'intégrité du code.- Intégration de modèles ML dans des architectures de microservices à l'aide d'outils tels que Docker et Artefact (container) registry.- Création d'une API exposant les modèles entraînés sur Cloud Run pour une utilisation facile et rapide.- Participation à la mise en place de l'architecture as code avec Terraform pour une gestion efficace des ressources cloud avec l’équipe DevOps.- Utilisation de techniques de monitoring (stackdriver) et de logging (cloud logging) pour identifier et résoudre rapidement les problèmes de production.Méthodologie :- Agile (Scrum)Technologies et/ou méthodologies :Faiss, Pinecone, LLM (Palm2), MLOPS, REST API, Python, NLP, Git, BigQuery, Cloud Build, Kubeflow/vertex AI, Cloud Run, Artifact Registry, Github, Poetry, Docker, Terraform, Cloud Workflows, VS Code, Machine Learning, Deep Learning
- UmanisCloud Data EngineerEDITION DE LOGICIELSfévrier 2021 - mai 2021 (3 mois)Levallois-Perret, FranceLe but de ce projet est de réaliser des pipelines de traitement et d’ingestion de données dans le data warehouse (BiGquery).Tâches réalisées :- Participation à la mise en place de l’architecture du pipeline pour ingérer les données stockées en local dans BigQuery.- Transfert des données stockées en local vers google storage (GCS) en one-shot.- Ingestion des fichiers stockés sur GCS vers BigQuery en utilisant DataFlow afin de réaliser l’extraction de certaines informations dans les fichiers avant de les stocker dans des tables BigQuery.- L’orchestration des différentes tâches du pipeline a été réalisée en utilisant les opérateurs python de Cloud-Composer (Airflow).- Réalisation de dashboard avec Data Studio en utilisant les données stockées dans BigQuery.
- CNAVData ScientistBANQUE & ASSURANCESaoût 2020 - janvier 2021 (5 mois)Paris, FranceRéalisation d’un modèle pour détecter les assuré.e.s futur.e.s réclamant.e.s à la caisse nationale d’assurance vieillesse.• Recueil des besoins auprès des métiers.• Contexte Big Data et travaux réalisés sur Cloudera.• Volumétrie : Dizaine de millions d’enregistrements * Centaine de features.• Jeux de données fortement déséquilibré (umballanced dataset).• Utilisation de plusieurs algorithmes pour classer les assuré.e.s.• Packaging des modèles réalisés.• Animation des ateliers avec métiers.Environnement Technique :• Python, Cloudera CDSW, Spark (pyspark), HadoopMéthodologie :• Agile (Scrum)
Recommandations
AU
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
- M2 - Géophysique appliquéeUniversité Pierre et Marie Curie2014- Traitement de signal. - Analyse de données environnementales, physiques, sismique, etc. - modélisation 2D-3D en utilisant des algorithmes d'inversion. - Photogrammétrie. - Scilab-Matlab - Python
- Doctorat : implémentation d'algorithmes d'optimisation sur des données physiquesUniversité de Rouen2018Utilisation de données thermiques et géophysiques pour la réalisation de modèles hydrauliques. Ces modèles sont par la suite utilisés pour réaliser des prédictions et de calculs de productivité hydraulique. Outils et Technologies utilisés : Matlab, Python, Comsol, Algorithmes génétiques, Algorithmes hybrides (HMC), Gauss Newton, Metropolis-adjusted Langevin algorithm.
Certifications
- MLOps - Machine Learning operations on AWS and AzureCoursera