17 ans en Data & BI, spécialisé en Machine Learning et l'industrialisation de modèles en production. Les projets ci-dessous sont tous des plateformes MLOps complètes — pas des notebooks isolés : API, conteneurisation, tracking d'expériences, monitoring, et pour deux d'entre eux, une démo en ligne.
rakuten_z — Classification multimodale de produits e-commerce FastAPI (14 services) · Airflow · MLflow/DVC · Prometheus/Grafana · Kubernetes (HPA testé) 85 000 produits, 27 catégories, fusion tardive texte+image — 84,9% de précision (CLIP ViT-B/32)
income-inequality-mlops — Prédiction des inégalités de revenus par pays Airflow · DVC/DagsHub · MLflow avec gates de promotion en registre · Prometheus/Grafana · SHAP Gini R² 0,614 · mobilité intergénérationnelle R² 0,358 · classe de revenu 99,1% — 3 modèles en Production Démo en ligne
MedSentry — confidentiality_level_pred — Classificateur de risque pour projets health-tech 9 classificateurs gradient-boosted (scikit-learn) sur 3 dimensions de risque (réglementaire/vie privée, sécurité patient, PI/financier) · suite de tests complète · CI · desktop (Tkinter) + web (Streamlit) Précision moyenne 72,2 % vs 43,5 % (baseline classe majoritaire) sur données synthétiques, limites documentées dans le model card Démo en ligne
elec_prediction — Prévision de consommation électrique multi-pays FastAPI (train-api/predict-api) · DVC · MLflow · Prometheus/Grafana 7 pays (France, USA, Allemagne, Autriche, Luxembourg, UK, Finlande) — LightGBM poolé, MAPE 1,93%
car_procurement — Analytics achats & détection d'anomalies (Renault) Isolation Forest (anomalies de coût) + CatBoost (conformité fournisseurs, class-imbalance corrigée) J'ai débusqué un piège de classifieur nul (rappel de 0 % masqué par une accuracy de 89 %), puis appliqué la méthodologie d'évaluation correcte (pondération de classes équilibrée, F1-macro, ROC-AUC, validation croisée à 5 plis) pour révéler que le signal n'était en réalité pas présent.
sales-analysis — Analytics client e-commerce RFM, CLV (BG/NBD + XGBoost), prédiction de churn, A/B testing corrigé Gini 0,44 (concentration du revenu client) · A/B test genre : p<0,001 → p=0,18 après correction du biais de pseudo-réplication · Churn : AUC>0,99 signalé comme fuite de données (label = seuil sur une feature du modèle) · CLV : tiers Gold/Silver/Bronze = 44,9 %/22,6 %/32,5 % du revenu prédit à 12 mois
Plus d'information sur mon LinkedIn.