Champs Libres

Les équilibristes

Page & Plume

Bazal

Fashion Content

Brakage

Le Hub Nomade

Pipeline

REDTEAM

FLEET Collective

Stratégie SI

Ana&Eve

Le Coup d'Après

koalition.ai

Iteru

BACARGO

Pladetta

Créaboost

Start-up naissante dans les médias et la culture, Sybel a dû se doter d’un algorithme de recommandation et d’une stratégie data de bout en bout. J’avais en charge le bon déroulement du projet, avec le design et l’implémentation de l’infrastructure technique.L'algorithme de recommandation a ensuite été poussé en production.<ul><li>Mise en place de l’architecture data sur le cloud (GCP)</li><li>Création des traitements, stockage et flux de données</li><li>Reporting et Dashboard via Data Studio</li><li>Mise en place d’un algorithme de recommandation de bout</li></ul>

Développement et déploiement d'un algorithme de recommandation.

Algorithme de recommandation 

Sorare

Sorare avait besoin de refondre son application de bout en bout. Ferdinand a donc rejoint leur équipe pour développer en Flutter l'application mobile. Elle est disponible dès aujourd'hui sur le play Store

Développement de l'application Sorare en Flutter (disponible sur le play store)

Flutter

Pass Culture

Accompagnement data pour la pass culture. <ul><li>Migration de l'ensemble de l'infra sur GCP</li><li>Développement d'un algorithme de recommandation </li><li>Développement d'un environnement MLOps <ul><li>Pipeline de ré-entrainement</li><li>Environment de déploiement et d'inférence</li><li>Monitoring du modèle déployé</li></ul></li></ul>

Google Cloud Platform

Python

Machine learning

Algorihtme de recommandation Pass Culture

Afin d'accompagner au mieux un client, j'ai réalisé en duo une étude d'envergure sur l'état du marché concernant les pratiques ML et plus particulièrement les meilleures pratiques pour la mise en production de modèles ML.<ul><li>Interview de CDO et de responsables data</li><li>Études des meilleures pratiques des géants techs </li><li>Décomposition des approches de déploiement de machine learning</li><li>Conseils et recommandations adaptés à l'organisation du client&nbsp;</li></ul>

Pour un client grand compte, réalisation d'une étude de l'état de l'art du MLops

Consulting IT & Cyber

Knowledge Management

Étude de marché, état de l'art du MLops

Budaviz - Startup financière<ul><li>Développement des scripts de collecte et transformation en Python et Bash (des Go de fichiers XML à mettre en forme)</li><li>Configuration en environnement de développement et en production de la base de données PostgreSQL (des centaines de million de lignes à stocker)</li><li>Suivi quotidien avec le client et création de la documentation au fur et à mesure</li><li>Mise en production sur serveurs OVH</li><li>Visualisation des données avec Tableau software</li></ul>

Mise en place d'une routine de collecte et transformation de gros volumes de fichiers XML et ajout de centaines de millions de lignes en base de données PostgreSQL pour ensuite une utilisation avec Tableau software. 

Développement d'ETLs et mise en place de base de données

BEN - Startup secteur RHCréation de la première architecture technique et stratégie tech de la startup. <ul><li>Recueil du besoin pour élaborer un schéma de données puis création des bases de données PostgreSQL</li></ul> <ul><li>Exploration des interfaces API de Slack et Google afin de récupérer l'ensemble des méta-données de messages, mails, calendriers et visios. Création des tunnels de transformation de données en Python.</li></ul> <ul><li>Mise en production de l'architecture sur le Cloud Azure et étude comparative des offres cloud. Mise en production sur serveurs d'outils de visualisation (Redash), d'automation (N8N) et de gestion de données (NocoDB). Configurations sur Docker.</li></ul> <ul><li>Sécurisation de l'architecture : mise en place de mirroring et backups automatiques sur les BDD, chiffrement des bases, whiteliste IP, configuration de firewalls.</li></ul> <ul><li>Développement d'algorithmes permettant de mesurer l'attention des utilisateurs à partir des méta-données.</li></ul>

Développement de tunnels d'extraction, transformation et stockage de données (ETL) depuis les API de Slack et Google vers des bases de données PostgreSQL sur Azure. Développement de modèles de prediction de l'attention d'utilisateurs à partir de leurs méta données de messages, emails, calendrier et visio-conférences. 

Développement d'ETLs et de la 1ère architecture de données - Startup

CNRS - Labo ChimEco (MUSE)- Recueil du besoin et des indicateurs à mettre en avant auprès des équipes du labo impliquées- Mise en forme de la donnée et connection à des sources de données externes (via API) pour enrichir.- Création de la plateforme en Python avec la bibliothèque Dash- Mise en service au sein du labo pour garantir un accès aux personnes impliquées

CNRS - Labo ChimEco (MUSE)
- Recueil du besoin et des indicateurs à mettre en avant auprès des équipes du labo impliquées
- Mise en forme de la donnée et connection à des sources de données externes (via API) pour enrichir.
- Création de la plateforme en Python avec la bibliothèque Dash
- Mise en service au sein du labo pour garantir un accès aux personnes impliquées 

Réalisation d'un tableau de bord pour un labo du CNRS

<ul><li>Logiciel de simulation en Java</li><li>Traitement des données statistiques en Python</li></ul>

Développement d'un logiciel de simulation de flux piétons dans les décheteries afin d'optimiser le positionnement des bennes et la construction. 

Suez - Logiciel de simulation de flux piétons 

On vous accompagne pour véritablement utiliser et déployer des projets data au sein de vos entreprises à grande échelle. De la qualification du cas d’usages au monitoring en passant par la création des algorithmes et autres ETL, on s’occupe de tout !

Data Engineer

ML Engineer 

Nous importons et alimentons votre Datawarehouse cloud et on-premise.
- Base de données relationnelle (PostgreSQL, MySQL,...)
- Datawarehouse cloud (Big Query, Synapse, Snowflake, Deltalake)

Création d'un datawarehouse / Base de données 

Extraction, transformation et ingestion de données.
Technologies associées : APIs, Airflow, DBT, scripts python natifs,... 

Développement de pipeline data (ETL)

Développement et déploiement d'algorithme en production 
- Cadrage 
- Développement 
- Déploiement et monitoring 
Technos: python, tensorflow, scikit learn, pytorch

Algorithmes Machine Learning

Data visualisation, dashboard de suivi de l'activité 
Outils: Data studio, Métabase, Power BI, Tableau software

Design de tableaux de bord

Instanciation des environnements cloud sur Google Cloud Platform & Amazon Web Service
- Droits & administration des permissions
- Mise en place de la stack data
- Optimisation des coûts

758 collectifs