Systèmes ML & LLM appliqués (SuperAnnotate, Alignerr) : Contribué à des pipelines d’évaluation ML et LLM à grande échelle, résolvant des tâches en science des données, en raisonnement statistique et en Python dans divers domaines de problèmes.
Impact : A soutenu la formation, la validation et le benchmarking de systèmes d’IA avancés grâce à une exécution de tâches structurée et de haute qualité.
Domaines d’intérêt : apprentissage automatique, statistiques, analyse de données, Python, évaluation de LLM

Pipeline d’intelligence sur la durabilité : A construit un pipeline de notation et de classification piloté par le NLP pour extraire des signaux structurés de durabilité à partir de jeux de données et documents publics non structurés.
Impact : A permis la génération automatisée d’insights structurés sur la durabilité pour les flux de travail décisionnels en aval.
Techniques : pipelines NLP, filtrage sémantique, règles + notation basée sur des modèles
Pile : Python, NLP, traitement des données

Système ML de bout en bout : Conception et mise en œuvre d’un système hybride ML + basé sur des règles + LLM pour un score structuré à partir de données textuelles bruitées.
Impact : Livré des résultats prêts à la production, alignés sur les flux de travail de décision métier.
Techniques : ingénierie des caractéristiques, modélisation hybride, conception structurée de sorties

Intégration ML Pipeline & MLOps : Améliorations du pipeline ML et suivi des expériences pour l’évaluation et la reproductibilité du modèle.
Impact : Fiabilité accrue de la validation des modèles et rationalisation des flux de travail d’expérimentation.
Techniques : évaluation de modèles, structuration de pipeline, suivi des expériences

Équipe dirigeante pour la classification semi-assistée du contexte des textes védiques
Architecture d’une plateforme collaborative ML pour des modèles de paramètres à plusieurs billions de paramètres (WIP)
Coordination avec des experts en MLOps et en architecture ML

Système dynamique d’audit de la qualité des appels : A conçu et déployé un système de notation de la qualité des appels piloté par ML utilisant des pipelines audio + transcription, intégrant des modèles de reconnaissance émotionnelle vocale (SER) et NLP pour une évaluation multi-paramètres.
Impact : Amélioration de la précision des scores de ~15 %, réduction de la charge de travail en QA manuelle et mise à l’échelle de l’audit automatisé sur un volume élevé d’appels.
Techniques : ingénierie des caractéristiques, modélisation supervisée, réglage des hyperparamètres
Stack : Python, scikit-learn, Librosa, HuggingFace, TensorFlow/PyTorch, AWS S3, Pandas, NumPy

Reconnaissance des émotions vocales (SER) : Développement d’un flux de travail SER utilisant MFCC et l’extraction de caractéristiques basée sur spectrogramme pour classer les émotions tonales des enregistrements d’appels.
Impact : A permis un score sensible à l’émotion, améliorant la profondeur et la fiabilité des évaluations de la qualité des appels.
Techniques : traitement du signal, classification, extraction de caractéristiques
Empilement : PyTorch, TensorFlow, Librosa, NumPy, Pandas

Pipelines NLP multilingues : Création de pipelines de bout en bout pour l’analyse du sentiment, la détection des émotions, la modélisation des sujets et la synthèse des transcriptions d’appels multilingues.
Impact : Transformé de grands volumes de données de conversation non structurées en insights structurés et exploitables pour les équipes produit et CX.
Techniques : LDA, BERTopic, NMF, résumé basé sur transformateur (T5, BART, GPT-2)
Pile : VisageÉtreinte, SpaCy, Gensim, Sumy, NLTK

Régression automatisée des modèles et validation QA : Construction de pipelines d’inférence par lots et de cadres de tests de régression pour valider la performance des modèles ML à travers les versions.
Impact : réduction des cycles de contrôle qualité manuel et amélioration de la fiabilité et de la cohérence des déploiements ML.
Techniques : évaluation par lots, suivi métrique
Pile : Python, PyTest, Pandas

Résumé de transcription pour les insights CX : A conçu des flux de travail de synthèse extractifs et abstraitifs pour condenser de longues conversations en résumés à haut niveau de signal.
Impact : Réduction du temps de révision manuelle et meilleure accessibilité des informations pour les parties prenantes non techniques.
Techniques : Seq2Seq, TextRank, résumé des transformateurs
Pile : Transformers HuggingFace, T5/BART, Python, SpaCy, Gensim, NLTK

Création d’une couche de reporting analytique MVP pour une nouvelle offre de produit afin de valider les cas d’utilisation et de démontrer la valeur aux premiers clients.
Impact : Livraison du MVP en cours de 2 mois, contribuant à l’acquisition initiale de clients.
Techniques : EDA, conception métrique, agrégation, prototypage rapide
Pile : Python, PostgreSQL, Pandas, NumPy

Développement d’analyses de parcours clients et de pipelines de reporting automatisés pour les équipes de développement commercial et de réussite client.
Impact : Meilleure visibilité des performances de l’entonnoir et soutien de stratégies de rétention plus efficaces.
Techniques : analyse de l’entonnoir, analyse de type cohorte, conception de KPI
Pile : Python, PostgreSQL, Pandas, NumPy

Conception et mise en œuvre de modèles prédictifs de notation des prospects (immobilier américain) utilisant des caractéristiques comportementales et géospatiales.
Impact : Amélioration de l’efficacité du ciblage et de la probabilité de conversion en aval.
Techniques : Classification, analyse de l’importance des caractéristiques, modélisation géospatiale
Pile : XGBoost, scikit-learn, SQL, Pandas, NumPy

J’ai développé un système de regroupement de tickets et d’analyse des causes profondes pour identifier les problèmes et schémas récurrents dans les données de support.
Impact : A permis une priorisation basée sur les données des correctifs produits et des améliorations opérationnelles.
Techniques : KMeans, DBSCAN, PCA, EDA, ingénierie des caractéristiques
Stack : scikit-learn, Pandas, NumPy, Python

A développé des systèmes d’analyse CRM et de reporting automatisé pour suivre le cycle de vie et l’engagement des clients.
Impact : Amélioration des décisions pour les stratégies d’acquisition et de rétention.
Pile : SQL, Python, Google Sheets, Data Studio, Metabase

J’ai développé un système de notation de qualification des prospects pour les flux de travail immobiliers américains.
Impact : Priorisation simplifiée des leads et amélioration de l’efficacité des ventes.
Techniques : Notation basée sur des règles, analyse exploratoire des données, identification des caractéristiques
Pile : Python, SQL, Pandas

J’ai mis en place un système initial de notation de qualification des prospects pour prioriser les prospects à forte intention dans les flux de travail immobiliers américains.
Impact : Amélioration du filtrage des pistes en début de phase et jeté les bases des systèmes prédictifs de notation des pistes ultérieurs.
Techniques : Notation basée sur des règles, analyse exploratoire des données, identification des caractéristiques
Pile : Python, SQL, Pandas

A réalisé des analyses exploratoires de données et une validation statistique pour identifier les schémas dans le comportement des clients et les tendances de conversion.
Impact : A fourni des premières informations qui ont éclairé la conception de fonctionnalités pour les modèles d’apprentissage automatique en aval.
Techniques : Test d’hypothèses, analyse statistique, exploration de données