Cédric Mavoungou

• Mise en place et déploiement d’un algorithme de prédiction de courses de chevaux à destination de fonds étrangers ; utilisation de réseaux de neurones convolutionnels, gating networks, LGBM et de méthodes d’hyper-optimisation sur les paramètres

• Adaptation d’un algorithme UNET à destination de données d’images de phases pour optogénétique

• Cocréation de cette société en assurance pour véhicules électriques.

• Mise en place d’un modèle de risque assurantiel via un modèle actuariel GLM

• Mise en place du modèle de tarification qui en découle, et déploiement sur l'application web

• Mise en place de la pipeline d’extraction en continue des données de conduite, à partir d’APIs constructeurs et des technologies Kafka – RabbitMQ

• Développement de l’algorithme de scoring de conduite qui évalue le risque d'accidents en fonction de données de géolocalisation, de télématique et de diagnostics.

• Utilisation du framework Django pour la création de points API REST pour exploiter les données assurantielles, de véhicules, et de conduite ; interfaçage du scoring via Django

• Gestion d’une petite équipe de 3 personnes

• Organisation d’une formation avancée entre 6 et 8 semaines sur les méthodes de Machine Learning à destination des équipes d’analyse prédictives d'une grande assurance (Italie, Espagne, Turquie) : selection et extraction de variables, sélection de modèles, modélisation, apprentissage machine et profond, scoring, classification, régression, réseaux convolutionnels pour classification d’images, méthodes de NLP (Doc2Vec notamment)

• Mise en oeuvre de solutions de détection des fraudes à l'assurance en Espagne ; utilisation de modèles de graphes sur les sinistres, pour détecter des anomalies dans les relations

• Recherche et Développement en Finance Quantitative : développement et mise en production d’outils d’allocations de portefeuille, d’analyse de portefeuille et de selection de variables quantitatives

• Implémentation d’un algorithme de « Subgroup-discovery » pour l’analyse de marché, l’analyse de données cliniques et l’analyse de données marines

• Développement de solutions de prédictions des marchés financiers à l'aide d'algorithmes propriétaires d'apprentissage par renforcement de l'IA ; utilisation de la méthode de Double Q-Learning sur des réseaux de neurones RNN et LSTM pour approcher l’univers de la table Q des états – actions – rewards ; Maintenance et monitoring de l’algorithme sur une dizaine d’actifs, de manière journalière, pendant 2 ans

• R&D pour Lloyd’s Intelligence sur des méthodes de prévision de crash de navires, à partir des données de géolocalisation dans le temps et de caractéristiques des navires et des lieux ; utilisation de méthodes de boosting (Xgboost, LGBM), de RNN (GRU) et de modèles de survie pour construire le modèle à plus de 85 % de précision sur horizon d’1 semaine

• Supervision d’une équipe de 3 data engineers sur différentes missions d’analyse prédictive : prédictions de crashs, de marchés financiers, cross-segmentation, NLP