Description

Data Scientist orienté impact métier & mise en production – IA explicable, MLOps & Cloud

Data Scientist avec 2 ans d’expérience en environnement industriel, j’accompagne les entreprises dans la conception, l’industrialisation et le déploiement de solutions d’IA fiables, explicables et directement exploitables par les équipes métier.

Chez Alstom, j’ai contribué à des projets de maintenance prédictive (CBM) ayant permis :

📈 +15 % de détection de défauts

⏱️ –10 heures de diagnostic par incident

🤖 Des modèles robustes et explicables, intégrés dans des processus opérationnels réels

Je combine une expertise technique solide (Python, ML/DL, LightGBM, Spark, LLM, RAG) avec une vision produit et métier, indispensable pour transformer un besoin fonctionnel en solution déployée.

💪 Points Forts

- IA orientée production, pas seulement des notebooks

- MLOps & Cloud natifs : MLflow, Docker, APIs Flask, GCP / AWS

- IA explicable & traçable, adaptée aux contextes industriels et réglementés

Capacité à vulgariser et collaborer avec des équipes non techniques (finance, industrie, services publics)

🔴 Cas d’usage couverts

- Maintenance prédictive & détection d’anomalies,

- Scoring crédit & aide à la décision,

- Dashboards décisionnels & data storytelling,

- Chatbots intelligents (LLM, RAG, LangChain, FAISS),

- Pipelines Big Data & calcul distribué (Spark, EMR)

🎯 Objectif :

Livrer des solutions data utiles, comprises et adoptées, avec un réel retour sur investissement.

Langues

Français
Bilingue ou natif
Anglais
Capacité professionnelle complète
Arabe
Notions

Préférences en matière de lieu de travail

Accepte de travailler sur site

Lyon (jusqu’à 10 km)

Alstom Group Crespin
Data Scientist
INGÉNIERIE MÉCANIQUE
septembre 2023 - septembre 2025 (2 ans)
Valenciennes, France
Projet TGV2020 – ANALYSE DES DONNEES : Maintenance Conditionnelle(CBM)

✅ Analyse des données toilettes provenant d'un calculateur numérique d'un TGV, permettant la détection de fuites des réservoirs(WWT, GWT), de la curve ect, à partir de la Maintenance Conditionnelle (CBM).

✅ Classification des défauts de pression des toilettes (modèle multimodal)

✅ Analyse de l'étanchéité des eaux grises (capteurs GWT) Optimisation des délais de diagnostic : −10 h par incident.
OpenClassrooms
Implémentez un modèle de scoring
BANQUE & ASSURANCES
octobre 2024 - décembre 2025 (1 an et 2 mois)
Valenciennes, France
✅ Construire un modèle de scoring qui donnera une prédiction sur la probabilité de faillite d'un client de façon automatique.

✅ Analyser les features qui contribuent le plus au modèle, d’une manière générale (feature importance globale) et au niveau d’un client (feature importance locale), afin, dans un soucis de transparence, de permettre à un chargé d’études de mieux comprendre le score attribué par le modèle.

✅ Mettre en production le modèle de scoring de prédiction à l’aide d’une API et réaliser une interface de test de cette API.

✅ Mettre en œuvre une approche globale MLOps de bout en bout, du tracking des expérimentations à l’analyse en production du data drift.
MLOps Airflow flask Google Cloud Platform (GCP) Streamlit
OpenClassrooms
Segmentez des clients d'un site e-commerce
E-COMMERCE
janvier 2025 - mars 2025 (2 mois)
Lyon, France
✅ Définir la stratégie d’élaboration d’un modèle d’apprentissage non supervisé, sélectionner et entraîner des modèles adaptés à une problématique métier afin de réaliser une segmentation ou une réduction de données.

✅ Évaluer les performances des modèles d’apprentissage non supervisé selon différents critères (scores, temps d'entraînement, etc.) en adaptant les paramètres afin de choisir le modèle le plus performant pour la problématique métier.
Segmentation client Clustering Machine learning Deep Learning SQL