Alexandre G.

Mes expériences ont été diversifiées et j'ai occupé différents postes au sein de cette entreprise de conseil. Cependant, j'ai principalement exercé trois fonctions différentes : Data Scientist Principal et ML Engineer, Data Engineer et Senior Data Scientist. Ces rôles vous ont permis de travailler sur plusieurs projets liés à la science des données, à l'apprentissage automatique et à l'ingénierie des données, dans divers domaines tels que la banque, les systèmes de suivi de véhicules et les plateformes de paris en ligne.

- En tant que Principal Data Scientist et ML Engineer, j'ai dirigé une équipe de data scientists lors de nombreux projets. Cela comprenait le développement et le déploiement d'un modèle de classification FNOL (First Loss of Notification) de pointe pour une entreprise leader dans le système de suivi des véhicules. Mon objectif était double : garantir que les besoins du client étaient pris en compte en alignant les exigences commerciales avec l'agenda technique, en plus de guider l'équipe, de concevoir et de mettre en œuvre la solution.

- En tant que Data Engineer, j'ai travaillé avec l'équipe de profil client d'une grande banque sud-africaine. J'ai déployé un cluster Airflow élastique à partir de zéro en utilisant Kubernetes et j'ai mis en place de nouveaux workflows dans leur infrastructure. Cela a réduit les dépenses cloud et amélioré les performances passées. De plus, nous avons migré leur plateforme d'ingénierie Big Data et de data science collaborative d'Azure HDInsight vers Databricks. La conception de la solution utilisait des technologies avancées telles que Docker, Kubernetes, Airflow et Spark. Un autre projet concernait le développement d'une plateforme de streaming utilisant Kafka et Spark Structured Streaming pour une entreprise de paris en ligne.

- En tant que Senior Data Scientist, j'ai collaboré avec le département d'octroi de crédit d'une grande banque sud-africaine. Nous avons mis en place des modèles de Deep Learning pour automatiser l'étiquetage de crédit afin d'aider les directeurs de branches à accélérer le processus d'octroi de crédits. Cela a permis à la banque de réduire considérablement le coût d'octroi de crédit. En outre, nous avons également développé un modèle de migration (qui recalcule la probabilité de défaut 6 mois après l'octroi du crédit) et un système d'automatisation de crédit en ligne.