Pierre Chambet

Problématique : Prédire la corrosion des avions face à des historiques météorologiques changeants.

L'approche : Refus de sur-optimiser un modèle sur des données passées. Création d'une architecture calibrée (LightGBM) pour la robustesse face aux dérives de données (data drift).

Résultat : 2e place sur le podium général. Le modèle a maintenu ses performances sur les données inconnues de test pendant que les approches concurrentes s'effondraient. C'est cette philosophie de robustesse que j'applique à vos opérations.

Every airline has a way to absorb disrupted flights. Almost none can say what that reserve really costs them, or what a better one would save.

SmartFleetOptim makes the trade-off visible and testable. Where the loss hides, where you're fragile, how it holds up under stress.

From the airline's fleet structure and costs, it works in two spaces at once: it generates thousands of possible reserve fleets, and it builds a grid of futures those fleets might have to survive. Then it measures how every strategy holds up across every future so you can weigh the trade-offs before you commit.

Recherche opérationnelle, Optimisation et Simulation sous contrainte.

Data Scientist in the Network Program :

• Worked on predictive modeling and network capacity analysis to support upstream planning decisions.

• Engineered algorithmic models (Python) to operational planning problems.