Balayez pour voir le profil suivant

Benoît Paris

ingénieur machine learning

Paris, France

  • 48.85661400000001
  • 2.3522219000000177
Proposer un projet

Vérifications

  • E-mail vérifié
Rejoignez la communauté Malt pour découvrir le profil complet de Benoît Paris
Rejoignez la communauté Malt pour découvrir le profil complet de Benoît Paris

Découvrez ce que recherche Benoît

Déplacement
Peut faire la totalité d'une mission dans vos locaux

Benoît en quelques mots

Ingénieur de formation, spécialiste en Machine Learning Explicable; je vous accompagne dans l'extraction d'information pertinente sur vos données, tout en détaillant les raisonnements déployés par les algorithmes.

Pourquoi le Machine Learning Explicable (MLE) plutôt que le simple Machine Learning (ML)?

En ML, lorsqu'on demande une prédiction, on a un score entre 0 et 1 pour une appétence à un événement; typiquement une probabilité achat. Ce nombre reste opaque. En plongeant dans les paramètres internes du modèle on peut extraire une illustration de l'intelligence déployée par l'algorithme, et en alimenter le métier. C'est l'objet du MLE.

Le MLE apporte en plus du ML:
  • Direction, Stratégie: une cartographie data-driven, fine, et exhaustive des segments clients; l'ouverture de marchés qui passent sous le signal;
  • Data scientists: un debug plus rapide, un focus sur l'explication
  • Marketing, Vente: messages plus finement adaptés aux clients
  • Ethique, Audits: connaitre les biais cachés dans les data
  • Pour l'entreprise: data-driven v2.0: Culture du signal pertinent, en liant le CA réalisé au pouvoir de renseignement d'une information individuelle

Cet ensemble de techniques, aussi appelée eXplainable Artificial Intelligence (XAI) est un sujet bourgeonnant en ce moment. L'agence américaine DARPA a un programme sur ce thème ("Explainable Artificial Intelligence" - darpa.mil/program/explainable-artificial-intelligence). La mission Villani y a consacré un chapitre entier (06 "Ouvrir les boites noires de l'IA").

Missions:
  • Vous souhaitez valoriser vos données, je vous aide à mettre en place un pipeline prédictif
  • Vous avez un pipeline ML existant, je vous aide à extraire le raisonnement déployé par vos algorithmes

Technologies:
  • RuleFit, Random Forest, Word2Vec, PCA, ALS, t-SNE, LSH, ROC
  • Scikit-LearnSpark, Weka, Databricks, BigQuery, Hive
  • Postgres, MySQL, Oracle
  • AWS, Linux, Maven, Git
  • Python, Java, Scala, CAML, Elm
  • Spring, Primefaces, d3.js

Portfolio

Portfolio uniquement accessible aux membres

Expériences

juillet 2018 - août 2018

Edition de logiciels

Participation à l'Explainable Machine Learning Challenge

Concours supervisé par Google, FICO, et sous l’égide de la conférence NIPS

Site du challenge: http://explainable.ml

• Amélioration d’un algorithme standard (RuleFit) pour rendre ses explications plus succinctes
• Création d’une carte intuitive, explicative des modes de décision
• Disponible en open-source: https://github.com/benoitparis/explainable-challenge

Technologies : Scikit-Learn, Python, t-SNE, Lasso, Jupyter
juin 2017 - Aujourd'hui | Paris, France

Conseil & audit

Benoit Paris Consulting

Ingénieur Machine Learning

  • Pipeline de marketing prédictif, évaluation des prédictions
  • Solution d'explication de modèle prédictif (Algorithme propriétaire - Spark)
  • Proof of Concept: Listage d'analogies de vecteurs par indexation en hautes dimensions
décembre 2012 - Aujourd'hui

Conseil & audit

Clémence Consulting

Ingénieur Data Management

  • Architecture batch pour campagnes marketing multicanal, outils d'administration et de back office, BI
  • Administration BDD, data quality, analyses, recollements, enrichissements, datamining, flux de données
janvier 2011 - novembre 2012 | Paris, France

E-commerce

OmniFriend

Fondateur

Recommandations externes

Formations

Langues

shortlist-dynamic-search-heade
charter modal image

Notre succès est une oeuvre collective

Contribuez à cette réussite et au sérieux de la communauté en signant la charte du freelance Malt.

Signer la charte