Consultant Data scientist à Publicis Sapient Engineering (ex Xebia) avec spécialité en Deep Learning, NLP (Natural Language Processing), domaine de l’Énergie et méthodes Bayésiennes.Co-responsable et co-animateur de la formation "Deep Learning avec TensorFlow et Keras" (21 heures sur 3 jours, Formation Publicis Sapient certifiée Qualiopi).Responsable du cours "Natural Language Processing (NLP)" à l'EPITA dans le cadre des programmes internationaux (cours de 15h, en anglais, en tant qu'indépendant).Mission pour Vidal en NLP :- Mise en place d’une procédure d’annotation automatique de textes médicaux avec reconnaissance des effets secondaires, indications et contre-indications associés aux médicaments- Aide à l’industrialisation des algorithmes en production- Développement d'un chatbot (réponse automatique sur les effets secondaires des médicaments)- Fine-tuning d'un embedding spécialisé au domaine médical Mission pour Enedis en NLP :- Mettre en place un outil de scrapping robuste, parcourant l’ensemble des pages d’un site web et effectuant automatiquement un cleaning du contenu texte récupéré- Classification automatique d’un document via embedding de textes- Extraction d’un corpus de texte de thématiques communes à caractériser - Définition d’une métrique permettant de caractériser la similarité de deux textes entre eux

- Traitement de la donnée de consommation et calcul de modèles de prédiction (sensibilité thermique...)- Mise en place fonctionnelle de l’espace client : conception et déploiement d’un ensemble d’indicateurs (bilan sur la consommation, estimation usage par usage, comparaison foyers équivalents…) et de conseils personnalisés- Conception du moteur d’estimation des mensualités et du conseil au choix de l’offre dans le parcours de souscription

Études de courbes de charge, principalement résidentielles, à l'aide de méthodes statistiques, bayésiennes et de traitement du signal.Missions :- Développement, à partir d'une approche bayésienne avec apprentissage, d'un algorithme de reconnaissance des appareils électriques à partir de courbes de charge agrégées (participation à deux brevets).- Aide au développement de modélisations de la sensibilité thermique de la consommation (électrique ou gaz...)- Travail en collaboration avec les équipes IT au développement des algorithmes au sein d'une architecture informatique adaptée aux contraintes du temps réel et du big data- Communications et présentations avec les clients ou lors d'événements externes. En particulier, interventions lors des "workshops" NILM (éditions européennes et internationales, ateliers de recherche sur le domaine de la désagrégation de l'énergie)- R&D

Chercheur doctorant et enseignant-moniteur.Sujet de thèse : Optimisation de fonctions coûteuses à l’aide d’une approche bayésienneStatistiques, Optimisation et méthodes bayésiennes

Étude d’algorithmes afin d’inverser des matrices de covariance detrès grande taille dans le cadre de prédictions linéaires.Ce travail a donné lieu à la rédaction, en tant que premier auteur, d'un article écrit en collaboration avec l'encadrant de stage et un autre chercheur décrivant la méthode conçue et utilisée dans le cadre du projet : https://www.degruyter.com/view/j/eqc.2010.25.issue-1/eqc.2010.002/eqc.2010.002.xml?format=INT