Paola Ngwe

• E-sensia est une start-up qui développe des assistants destinés aux services d'urgence médicale (SAMU, SOS Médecin), conçus pour aider les opérateurs à identifier les appels critiques et à automatiser le triage des patients grâce à l'IA vocale et conversationnelle

• Contribution au développement d'assistants médicaux basés sur l'IA pour le triage des appels et la présélection des patients, en assurant la liaison entre les données brutes et les systèmes d'IA prêts à être déployés

• Conception et mise en œuvre de pipelines d'ingestion et de traitement de données pour des ensembles de données d'urgence médicale à grande échelle (plus de 320 tables, certaines comportant plus de 120 colonnes), à l'aide de Python, PySpark, AWS et PostgreSQL au sein d'une architecture à plusieurs niveaux (Bronze–Silver–Gold)

• Migration de la base de données de production de DynamoDB vers PostgreSQL (AWS Aurora). Conception du modèle de données et garantie de la cohérence des données entre les services

• Développement d’API de surveillance de la qualité et de la conformité des données (Flask + PostgreSQL + psycopg2) pour valider les données de production entrantes par rapport aux contraintes de schéma et d’intégrité

• Création de scripts de matching automatisés pour relier des enregistrements audio historiques à des métadonnées SQL, permettant ainsi l’entraînement supervisé de modèles d’IA sur des ensembles de données multimodaux structurés

• Développement d'un outil d'interrogation de données en langage naturel basé sur les modèles OpenAI, permettant aux professionnels de santé d'interroger la base de données PostgreSQL

en anglais ou en français courant, sans avoir à écrire de code SQL

• Collaboration avec des chercheurs en IA afin de fournir des ensembles de données propres, étiquetés et normalisés pour l'entraînement de modèles de classification et de triage des appels médicaux

• L'objectif de la mission était de fournir des solutions de données efficaces pour la surveillance du risque de liquidité et la conformité réglementaire

• Concevoir et développer des outils sur mesure à l'aide de Python (Pandas, NumPy, PySpark) et de SQL afin d'automatiser le traitement des indicateurs de risque de liquidité et des produits financiers

• Extraire et transformer des données provenant de multiples sources, notamment DataLake, de vastes bases de données internes, des API et des fichiers plats, afin de fournir des résultats sur mesure aux analystes métier

• Visualiser et présenter les données à l'aide de Power BI

• Fournir un support technique et former les utilisateurs aux applications internes, afin de garantir une adoption fluide et une efficacité opérationnelle

• Assurer la maintenance et l'optimisation des applications existantes, en veillant à leur alignement avec les processus métier et les normes réglementaires

• Assurer un développement rapide des applications (de 2 jours à 1 mois) pour répondre à l'évolution des besoins métier

• Collaborer avec des analystes financiers et des experts métier pour définir et mettre en œuvre des pipelines de données répondant aux objectifs réglementaires et

stratégiques

• Optimiser les performances de traitement des données pour les grands ensembles de données à l'aide de PySpark et SQL, afin d'améliorer l'efficacité des workflows analytiques

• Travailler dans un environnement agile

• L'objectif de la mission était d'accompagner les équipes d'AXA-IM dans la mise en œuvre de leur stratégie de migration vers le cloud

• Automatisation des processus d'ingestion et de stockage des données provenant de diverses sources y compris des sources locales vers la plateforme de données centralisée d'AXA-IM, afin de permettre

aux analystes quantitatifs d'y accéder via une API REST

• Création de pipelines pour l'ingestion, le traitement, la normalisation et le stockage des données quotidiennes dans la plateforme de données centralisée d'AXA-IM suivant une architecture Médaillon (Bronze-silver-Gold)

• Utilisation d'Azure Data Factory pour créer les pipelines

• Développement de tâches Pyspark pour les différentes étapes de traitement

• Développement de notebook de traitement sur Databricks

• Déploiements en CI/CD avec Azure DevOps

• Méthodologie Scrum