Zest

Zebra3

Kuartz

Ace Studio Webflow & Bubble

Itxasoa

Leverage | Growth Collective

Airmasters.io

Growth Advisors.

Neptune

We Are Motion

Collectif 201

Ahoy !

meeXers

Horizon

Magician

Moonimize

Collectif Wild & Web

Koojira Studio

Jeekan

Jeekan (<a href="https://www.jeekan.com/" rel="noopener noreferrer nofollow" target="_blank">https://www.jeekan.com/</a>) accompagne les entreprises dans la mobilité et le bien être de leurs collaborateurs et collaboratrices. Par des aides au covoiturage, des calculs de trajet alternatif en mobilité douce mais aussi par des réaffectations des employés à poste équivalent pour des temps de trajet plus court.Au sein du projet Adrien a mis en place des solutions algorithmiques innovantes en s'inspirant ou se basant sur les solutions existantes. La maintenabilité des solutions étant primordiale, une attention toute particulière y a été apportée. Différents développements de maintenance sur une base de code existante conséquente, tout comme de la maintenance de données. Enfin Adrien a aussi participé à la mise en place de structure et de collecte de données à exploiter dans le futur.

Renforcement de l'équipe de développement, analyse et traitement des data, mise en place de solution algorithmiques aux problèmes clé du projet.

Python

Data science

Jeekan - Dev Backend, Data et Algorithmes

freelance

Lors de nos doctorats, expérience de recherche et de freelance nous avons eu l'occasion d'enseigner nos connaissances en machine et deep learning.Voici un bref sommaire des enseignements effectués :<ul><li>Introduction au Deep Learning</li><li>Introduction au machine learning en Python</li><li>Python pour le machine learning</li></ul><ul><li>Mathématiques pour le machine learning</li><li>Modélisation mathématiques pour le deep learning</li><li>NLP et Deep Learning</li><li>(Deep) Reinforcement Learning</li><li>Unsupervised Learning &amp; Fuzzy Clustering</li><li>Deep Learning Avancé</li></ul>Voici la liste des établisseements dans lesquels ces enseignements ont été donnés :<ul><li>Sorbonne Université</li><li>Université Paul Sabatier</li><li>Université de Paris</li><li>Ynnov Campus - Paris</li><li>Ynnov Campus - Nantes</li></ul>

Cours en licence et master de machine learning

Deep Learning

Machine learning

Enseignant Machine Learning

Freelance

Enseignement actuellement donné dans les campus suivants :Ynnov Paris x2Ynnov NantesYnnov RennesA venir :Orsys La DéfenseIl s'agit d'un cours d'introduction à MongoDB. Le processus pédagogique choisit est d'avoir un TP fil rouge sur lequel les stagiaires vont faire du SQL et du MongoDB pour comprendre les différences. Voici un plan résumé du cours :<ul><li>Les paradigmes de base de données</li><li>MongoDB et aggrégation</li><li>Indexation</li><li>(Optionnel) Clustering et Sharding</li></ul>

Enseignement de MongoDB en Licence et Master

MongoDB

Data Engineering

Enseignant MongoDB

Healthforce.ai

- Design d'un framework hybride requests/Selenium pour l'interaction avec le portail- Sécurisation et protection de données sensibles - Automatisation d'envoi et réception de mails avec STMP et Gmail - Data mining appliqué à des ressources Excel &amp; PDF - Déploiement de la solution sur AWS avec Docker - Loggings &amp; documentation complets et exhaustifs

Développer des solutions scalables afin d'automatiser plusieurs tâches manipulant des données sensibles pour l'hôpital San Raffaele de Milan.

Scrapping

NeoCondo

NeoCondo est un logiciel qui accompagne les marques de prêt à porter dans leur stratégie RSE, en particulier sur la traçabilité de leurs produits et les analyses environnementales.J'ai effectué deux missions principales :- Coordonner l'équipe de développement backend et développement backend- Assister le CEO sur les rendez vous techniques chez le client

Data analysis

Nokia

Durant le projet, Nicolas assurait plusieurs rôles : - Architecte et mainteneur des bases de données dans le cloud. - Développeur principal du serveur distant et de son API REST. - Architecte de la communication inter-agents du projet. - Développeur de l'application mobile iOS &amp; Android. L'application comprend : un module de statistiques autour de la santé (rythme cardiaque, temps de course, distance parcourue) ; un module GPS interagissant avec les clignotants du véhicule ; un module de déverrouillage de véhicule avec QR Code ; un module de suggestion de POI. Outils utilisés : - AWS Lightsail - Flask - React Native - Google Maps Platform API - SQLite3

Partenariat avec Nokia sur le projet Solar Connected Bike. Développement d'une app android / iOS multi-fonction et d'une solution de gestion d'utilisateurs avec BDD dans le cloud.

Flask

React Native

Nokia - Software Engineer (app + cloud database)

Ministère de la Justice

I helped the digitaliation of the penal process in the French Departement of Justice.From a entirely paper based process, the goal of the governement is to go 100% digital in the next few years. The first step was to numerize the document and use decentralized storage for everyone to access. I arrived on the project at that point where the question of using data arrised.My role was first to convinced every shareholder of the importance of a unified data model. To demonstrate the usefulness of such a model and data in general, we developped a pipeline of data and a PoC. This Poc showed how computer analysis of some data could save time for everyone in the process while still obeying the law and reglementation of such sensitive data.Because the documents go through different administrations (Police, Penitentiary ...), this means that the data structure underlying the process had to be carefully designed. To start this process, I lead the project to design the data model (in partnership with the other shareholders) and helped build structure and formed people to make sure it would endure even after my departure.

I helped the digitaliation of the penal process in the French Departement of Justice.

Product strategy

Designing a data roadmap for an Public Administration

RiseUp

Interconnexion entre les SIRH (et autres ERP) des clients de RiseUp avec le système d'information interne;Utilisation d'API de certains fournisseurs de contenus de formation;Proposition de Refactoring de la partie "Fournisseur de Contenu" des connecteurs

Data Mining

Institut de Recherche en Informatique de Toulouse

Les moteurs de recherche d'aujourd'hui sont très efficaces pour de simples tâches de recherche factuelles, mais ils peinent à guider l'utilisateur lors d'une mission de recherche hautement cognitive, exploratoire et à plusieurs étapes.L'objectif de ce projet peut se décomposer en deux parties : dans un premier temps, effectuer un PoC de moteur de recherche à base d'apprentissage profond utilisant un contexte de session de recherche limité (les dernières requêtes d'un utilisateur), et dans un second temps designer et implémenter un moteur de recherche end-to-end utilisant un contexte enrichi des sessions de recherche.Afin de remplir ces objectifs, Nicolas a procédé à un état de l'art complet dans le domaine des moteurs de recherche profonds, ainsi que des méthodes de génération textuelles pour la suggestion de requête.Il a procédé à une implémentation de nombreuses méthodes de recherche d'information orientée "look-up", ainsi que des modèles plus récents à base de réseaux de neurones récurrents &amp; réseaux de neurones récurrents hiérarchique.De surcroît, il a désigné un nouveau modèle de suggestion de requêtes exploitant des embeddings de session de recherche personnalisés, ainsi que des modèles Transformers états de l'art fine-tunés sur des tâches de NLP génératives (FastBERT, BART).Enfin, au cours de cette mission, Nicolas a contribué à la création de la librairie populaire "cherche" (<a target="_blank" rel="noopener noreferrer nofollow" href="https://github.com/raphaelsty/cherche">https://github.com/raphaelsty/cherche</a>), permettant une création rapide et efficace de pipeline de moteurs de recherche, pré-entrainés ou non.

Utilisation de modèles d'apprentissage profond appliqués aux moteurs de recherche. Institut de Recherche en Informatique de Toulouse.

Deep models for generative & task-based information retrieval

Ile-de-France Mobilités

With the rise of digitalized subway cards, an huge amount of data is created and recents attempts to eploit this data have proven quite successfull. The goal of this project was two fold : first obtain a deep representation of the different subway stations of the networks. Second to be able to detect very early in a day perturbations in the network.The first goal aims at obtaining representation of station that can then be used in other deep learning model to achieve other goals. This is why the unbiased nature of the representation is of the upmost importance.By nature, the timeseries of frequentation of the subway networks are extremely regular with a week day/week-end period. However, some exterior factor (such as weather or public events) can impact this regularity. The goal of the project was to use the first hour of frequentation in the subway to predict how the network would be impacted for the day, allowing agents to adapt early to the situation.To achieve these goals we first used a disentanglement deep learning model for generation of time series. By verifying with historical data that the generated time series were correct, we were able to confirm the solidity of our representations. We then used some clustering algorithms to enhances these representation and remove some bias. These representation were then used in another model designed to predict the frequentation of an entire day for the first few 15 minutes. The second model, which uses recent advances in forecasting, disentanglement and reccurent networks, was able to detect as early as 45 minutes into the day wether the day would be regular or not.

Use of Ile-de-France Mobilités data to predict frequentation of a day with the first few fifteen minutes

Data vizualization

Deep learning generative model to predict use of public transformation networks

Renault

Cherche permet de créer des pipelines de recherche neuronale efficaces en utilisant des retrievers et des modèles de langage pré-entraînés comme rankers. La principale force de Cherche est sa capacité à construire des pipelines diversifiés et de bout en bout à partir de modèles basés sur l'appariement lexical, l'appariement sémantique et le filtrage collaboratif.<div class="image-container"><div class="image-row-wrapper"><div class="image-wrapper"><img src="https://cdn.collective.work/clfid0mv10ar35wca2iri2i89.png"><div class="image-overlay"></div></div></div></div>Lors de la conception de la librairie, Nicolas a implémenté des solutions algorithmiques se basant sur des solutions état-de-l'art. De plus, aucune librairie similaire n'existant auparavant, Nicolas a participé à sa modélisation complète et à sa création, en assurant un squelette d'application solide. Enfin, le cœur du projet étant la rigourosité ainsi que la maintenabilité de la librairie, une grande vigilance a été portée sur ces points. Lien vers la librairie : <a href="https://github.com/raphaelsty/cherche" rel="noopener noreferrer nofollow" target="_blank">https://github.com/raphaelsty/cherche</a>Lien vers le papier scientifique SIGIR 2022 : <a href="https://dl.acm.org/doi/abs/10.1145/3477495.3531695" rel="noopener noreferrer nofollow" target="_blank">https://dl.acm.org/doi/abs/10.1145/3477495.3531695</a>

Conception et publication de la librairie Python Open-Source "cherche" permettant le développement de pipelines de moteurs de recherche.
La librairie est disponible ici : https://github.com/raphaelsty/cherche


Développement d'une librairie scientifique de pipeline de moteurs de recherche

Notre but individuel et collectif au sein de l'équipe Magician est d'accompagner les petites et moyennes équipes dans leur projet.Notre leitmotiv est l'honnêteté. Si nous pensons que votre projet prend une mauvaise direction technique nous vous le dirons.L'équipe est aujourd'hui composée de trois personnes. Nous avons tous les trois travaillé·es dans la recherche en Deep Learning, l'une de nous est aujourd'hui docteure en informatique. Les deux autres membres diplômés d'un master se sont orientés vers du développement backend avec une composante data ou machine learning quand les projets s'y prêtent.Nous avons hâte de participer à votre projet, apprendre de vous, et transmettre ce que nous savons.Le collectif Magician

Data Scientist

Pour un renfort temporaire en backend, l'intégration d'API ou la mise en place d'une architecture Extract Load Transform, notre équipe de 3 intervient en mode task force pour répondre à vos besoins.

Task Force - Backend & Intégration API

Dépêchez jusqu'à 3 personnes en équipe pour venir en soutien de votre projet. En recherche, en intégration ou en développement, nous saurons absorber votre surcharge et vous accompagner.

Task Force - Data Science & Deep Learning

Fort de notre expertise état de l'art en machine learning et des différents projets menés par le passé, nous vous accompagnons pour que vous construisiez votre pôle Data - Machine Learning.

Accompagnement - Création d'un Datalab

À partir d'un prototype ou de votre cahier des charges, nous mettons en place un MVP avec ou sans composante data. Notre expertise vous assure un logiciel maintenable et évolutif.

756 matching collectives