Description

Data Scientist depuis plus de 5 ans, j'ai eu l'occasion de travailler dans les laboratoires de recherche (INRIA) comme dans des grands groupes (Saint Gobain, L'Oréal).

Ces expériences m'ont permis d'acquérir de solides fondations théoriques en machine learning/deep learning et d'adopter de bonnes pratiques de développement python et de mise en production sur des sujets opérationnels (marketing, logistique, systèmes de recommandation, ...)

J'ai travaillé à titre professionnel et personnel sur des projetsde computer vision dont un est consultable sur ma page github (reconstruction 3D de visage à partir de photos):

Langues

Français
Bilingue ou natif

Préférences en matière de lieu de travail

Accepte de travailler sur site

Paris (jusqu’à 50 km)

L'Oréal
Data Scientist (Computer Vision)
MODE & COSMÉTIQUES
janvier 2022 - Aujourd'hui (4 ans et 5 mois)
Bd Périphérique, Paris, France
Projet : Développement d’algorithme de détection et de visualisation de signes cliniques
Contexte et objectif : A partir d’une ou plusieurs photos sous différentes illuminations (lumière
naturelle, cross polarisée, UV), développer des algorithmes permettant de détecter certains
signes cliniques (pores bouchés, rougeurs, taches brunes, taches profondes UV) et établir
un « score » de jeunesse. Contribuer ensuite à l’intégration de ces algorithmes sur IOS pour
une utilisation sur Ipad en magasin

Contraintes :
▪ Développer des algorithmes ayant de bons résultats sur tous types de peaux
(claires, mattes, foncées)
▪ Développer des algorithmes ayant de bons résultats sur une large gamme
d’illumination (environnement sombre, très lumineux, avec différentes sources
lumineuses)
▪ N’utiliser que certaines librairies (comme openCV) pour faciliter le passage en
production. Certaines librairies sont trop lourdes (ex : Pytorch) pour pouvoir être
facilement utilisée sur Ipad.
▪ Obtenir des visualisations esthétiques respectant les souhaits des marques
▪ Tenir des temps de calculs relativement courts (1 à 3 secondes par signe)
Tâches réalisées :
▪ Développement d’un algorithme de détection de pores bouchés :
o La première solution développée utilisait une méthode de détection de bruit
pour extraire les pores
o Une deuxième solution plus performante et robuste a été proposée en utilisant
un réseau de neurone sur des patchs d’images
▪ Développement d’un algorithme de détection de rougeurs :
o Extraction de composantes connexes d’un certain niveau de couleur dans
l’espace HSV
o Travail du contraste et du ton de couleur de la visualisation
▪ Développement d’un algorithme de détection de taches brunes :
o Extraction de composantes connexes
o Suppression des parasites (comme les rides)
o Travail du contraste et du ton de couleur de la visualisation
▪ Développement d’un algorithme de détection de taches profondes de la peau.
L’algorithme est relativement similaire à celui sur les taches brunes.
▪ Développement de modèles de scoring pour chacun de ces signes
▪ Développement d’un algorithme de segmentation de zones customs du visage

Résultats :
Solution livrée auprès d’une marque L’Oréal. Phase pilote en cours en magasin.
Déploiement à venir pour d’autres marques.
Environnement technique : Python, Pytorch, Pandas, C++, Google Cloud Platform
SAINT-GOBAIN
Data Scientist
BTP & CONSTRUCTION
février 2020 - janvier 2022 (1 an et 11 mois)
Paris, France
Projet 1 : Développement d’un système de recommandation
Contexte et objectif : proposer des recommandations de produits complémentaires aux
internautes sur nos sites marchands : pointp.fr, cedeo.fr, ...
Environnement travail/fonctionnel : 1 Lead Data Scientist, 2 DS juniors en collaboration
avec un Data Engineer pour la mise en production
Contraintes :
▪ Mettre d’accord les responsables de tous nos sites marchands sur un algorithme
commun
▪ Répondre aux multiples contraintes métiers liées aux produits recommandés (les
produits doivent être en stock, doivent posséder une image, …)
▪ S’interfacer avec de nombreuses équipes digitales pour déployer et rafraichir les
recommandations sur les sites marchands
Tâches réalisées :
▪ Analyse du besoin avec les équipes métiers
▪ Récupération de la donnée pertinente auprès de nombreuses équipes métier
▪ Pré-traitement et nettoyage des Datas
▪ Etude de solutions existantes
▪ Premières approches basées sur des algorithmes traditionnel (type ALS)
▪ Présentation d’un POC aux équipes métiers pour validation
▪ Implémentation finale en reinforcement learning (policy gradient)
▪ Entrainement du modèle
▪ Test et validation des résultats
▪ Déploiement et mise en production de la solution
▪ Rédaction de la documentation technique
▪ Présentation des résultats devant les équipes métiers

Projet 2 : Prédiction d’activité logistique
Contexte et objectif : Face à la hausse d’activité et aux ruptures de stock de plus en plus
fréquentes dans le secteur des matériaux de construction nous avons souhaité développer
une application permettant aux achats de mieux planifier leur commandes. Nous leur avons
fourni des forecast de ventes sur de nombreuses familles d’articles afin d’anticiper les pics
et les creux d’activité.
Environnement travail/fonctionnel : Seul les 3 premiers mois, j’ai été ensuite rejoins par un
Data Scientist en CDD que j’ai encadré sur le projet.
Contraintes : Intégrer de nombreuses règles métiers relatives à la logistique (stock de
sécurité, délais de transports, …) sans trop compliquer l’application
Domaine d’intervention :
▪ Discussion avec de nombreuses personnes à la logistique pour comprendre le
besoin et toutes les règles métiers requises
▪ Récolte et analyse des bonnes données auprès de la DSI
▪ Récolte de toute la connaissance utile sur nos tables de données
▪ Réadaptation et refactorisation du code existant provenant d’un projet
relativement proche
▪ Optimisation des hyperparamètres pour améliorer les performances du modèle
(lightGBM)
▪ Test et validation des résultats
▪ Intégration de toutes les fonctionnalités dans une application streamlit
▪ Déploiement et mise en production de l’application
▪ Présentation de la solution aux équipes métiers
▪ Rédaction de la documentation technique
Résultats : Application fonctionnelle utilisé par l’équipe achat
Environnement technique : Python, Pandas, Sklearn, Streamlit, Azure

Projet 3 : Maintenance et mise à jour d’une application de territorialisation des
commerciaux
Contexte et objectif : En 2020 deux de nos prestataires data scientist ont développé une
application streamlit afin d’aider nos moniteurs des ventes à attribuer un territoire et des
clients a chacun de nos commerciaux. J’ai repris ce travail pour le mettre à jour pour 2021.
Environnement travail/fonctionnel : Seul sur la partie code. Interactions régulières avec des
équipes commerciales
Contraintes : Le projet que j’ai repris a été développé sous des contraintes de temps très
fortes ce qui a grandement nuit à la qualité du code. Il a fallu refactorer une grande partie
de l’application pour la rendre perenne et facilement modifiable.
Domaine d’intervention :
▪ Réadaptation et refactorisation du code existant (modèle Kmeans)
▪ Ajout/suppression de certaines fonctionnalités
▪ Mise à jour des données
▪ Automatisation de certains flux de données
▪ Rédaction de la documentation technique
▪ Présentation des résultats devant les équipes métiers

Environnement technique : Python, Pandas, Streamlit, Azure
INRIA
Deep Learning Research Engineer
CENTRES DE RECHERCHE
septembre 2017 - mars 2020 (2 ans et 6 mois)
91400 Saclay, France
Prédiction des trajectoires des voitures sur l’autoroute

Contexte et objectif : INRIA à l’habitude de mener des recherches pour le compte
d’entreprise privées lors de contrats courts. En 2017 nous avons aidé Renault à fiabiliser ses
véhicules autonomes en travaillant sur de la prédiction de comportement sur autoroute.
L’objectif du projet était de prédire la trajectoire des automobilistes sur l’autoroute
(dépassements, insertions, ...)
Environnement travail/fonctionnel : Seul sur le projet. Interaction régulière avec les
chercheurs/doctorants d’INRIA et avec les équipes métiers chez Renault.

Contraintes : Prédire N trajectoires ou chaque trajectoire est dépendante des autres.
(Chaque conducteur adapte en permanence son comportement en fonction de celui des
autres.)

Domaine d’intervention :
▪ Récupération des données
▪ Pré-traitement et nettoyage des Datas
▪ Etude de solutions existantes
▪ Définition et développement de modèles de forecasting deep (LSTM Seq2Seq,
Social LSTM)
▪ Optimisation des hyperparamètres
▪ Entrainement des modèles
▪ Test et validation des résultats
▪ Rédaction de la documentation technique
▪ Présentation des résultats devant les équipes métiers
Résultats : Restitution des résultats aux équipes Renault France et Nissan Japon
Environnement technique : Python, Pytorch