Cyrine Nasri

-Cadrage des besoins métiers et élaboration de la roadmap data plateforme

-Animation d'ateliers de recueil des besoins métiers pour les différentes équipes business.

- Identification des pain points et formalisation des cas d'usage afin de construire une roadmap d'une data plateforme IA centralisée.

Projet : Automatisation du traitement des rapports d’anomalies HSE avec LLM et RAG

Développement d’un système intelligent pour l’analyse automatique des rapports de sécurité terrain, combinant l’approche RAG (Retrieval-Augmented Generation) avec des modèles de langage (LLM).

Réalisations clés :

Environnement technique :

LangChain, FAISS, OpenAI, Streamlit, PromptTemplate, RetrievalQA

Résultats :

Supervision de 3 profils juniors, revue de code, bonnes pratiques MLOps et modeling, mentoring technique. Optimisation des Enchères Publicitaires en Temps Réel

• Objectif métier : Maximiser la performance des enchères programmatiques en temps réel (RTB) tout en améliorant la marge brute et le taux de victoire.

• Approche technique :

• Développement d'un algorithme de contextual multi-armed bandits (exploration/exploitation optimisée selon le profil utilisateur + contexte page/ad)

• Implémentation d'un pipeline MLOps complet : tracking des expériences avec MLflow, gestion des données avec DVC, CI/CD avec GitHub Actions, mise en production via FastAPI & Docker

• Monitoring temps réel via Grafana + Prometheus

• Résultats obtenus :

• +18% de marge brute

• +15% de taux de victoire aux enchères publicitaires

• Stack technique :

• Python, Pandas, NumPy, MLflow, DVC, GitHub Actions, Docker, FastAPI, Grafana Optimisation du Ciblage Contextuel des Publicités (POC)

• Conception d'un pipeline NLP orienté publicité contextuelle : extraction des thématiques clés à partir des contenus web (articles, pages produits) via TF-IDF + embeddings sémantiques.

• Vectorisation de documents avec SentenceTransformers, suivie d'une recherche de correspondance entre contenu et typologie d'annonce (approximate nearest neighbors).

• Création d'un scoring de pertinence contexte-annonce basé sur un modèle supervisé (LogReg / XGBoost).

• Segmentation des utilisateurs (clusterisation KMeans / PCA) pour croiser profils & thématiques.

• Collaboration étroite avec l'équipe marketing pour l'interprétation des clusters et l'activation ciblée.

• Encadrement technique : coaching, revue des notebooks, structuration des tests A/B.

• Résultats

• Augmentation du CTR sur plusieurs segments testés.

• Meilleur ROI grâce à un ciblage plus contextuel et dynamique.

• Alignement renforcé entre équipe data et marketing.

Nov 2017 - Déc 2020