Mohamed Bouallegue

Data scientist spécialisé en traitement de données complexes, avec une expertise en analyse statistique, reconnaissance vocale et traitement du langage naturel (NLP). Compétent dans l’analyse de grandes séries temporelles, la classification et la prédiction d’événements à partir de données captées par capteurs. Solide expérience dans la mise en place de modèles prédictifs, l’exploration et la visualisation de données, ainsi que la réduction de variables pour améliorer la précision des analyses.

Data scientist Expleo Group : Renault / Airbus Paris (Depuis mai 2022)

• Expleo / Renault DEA - TV - Paris : Analyse approfondie de données de séries temporelles pour des projets d’innovation :

Optimisation des essais d'endurance sur le claquement de porte.

Amélioration des essais de sécurité en simulant et analysant les crashs de mannequins.

Identification proactive des anomalies de capteurs, détection automatisée des fissures non visibles, et prédiction avancée des défaillances de portes pour garantir une meilleure performance et sécurité des véhicules.

• Expleo / Airbus : Optimisation des paramètres pour améliorer la précision des prédictions

Sélection et réduction intelligente des paramètres prédictifs clés à partir de corrélations statistiques (Pearson, Spearman).

Conception de nouveaux paramètres d'entrée innovants en fusionnant des caractéristiques physiques et des variables fondamentales (Algorithme Buckingham Pi).

Classement des caractéristiques les plus significatives grâce à des modèles linéaires (SGD, Lasso) et non linéaires (Gradient Boosting) pour affiner les prédictions.

Sélection optimale des combinaisons de paramètres, basée sur une analyse exploratoire des données (EDA), pour maximiser la performance des modèles prédictifs.

• Expleo / Airbus Hélicoptères : Modèle spécialisé pour la génération de requêtes SQL à partir de texte

Optimisation des jeux de données SQL et textuels pour améliorer la précision du fine-tuning.

Amélioration de la génération des requêtes SQL et de la formulation des questions associées.

Benchmarking des modèles LLM (Phi2, Mistral, Llama2) pour sélectionner le meilleur modèle de base.

Test et optimisation des prompts pour enrichir et contextualiser les informations générées.

Préparation des jeux de test et mise en oeuvre de métriques pour évaluer les performances du modèle.

Data scientist MyVoice.AI Paris/Londons (2019 à décembre 2021)

• Mise en place de solutions d’analyse de données pour assistant vocal

Développement et implémentation de solutions innovantes pour l’analyse de données complexes (audio, texte, séries temporelles) dans le cadre d’assistants vocaux.

Analyse de données textuelles : Détection automatique de langues à partir de grandes bases de données multilingues.

Traitement des données audio : Amélioration de la qualité vocale grâce à des algorithmes avancés de Speech Enhancement basés sur des autoencodeurs profonds (DNN).

Data scientist Fanvoice, Alfstore Paris (de 2016 à 2019)

• Mise en place de solutions d’analyse de données pour l’analyse des avis clients

Conception et déploiement de solutions d’analyse avancées pour exploiter les retours clients dans des environnements de big data.

Transformation des besoins métiers en projets Data pour fournir des solutions sur mesure.

Sélection des algorithmes de Machine Learning les plus pertinents pour répondre aux spécificités des données et aux objectifs.

Analyse approfondie des données textuelles (Text Mining) : classification, extraction d'information à partir de corpus documentaires et visualisation des résultats.

Développement de Proof of Concepts (POC) de bout en bout en utilisant des outils open source.

Vulgarisation et formation en Machine Learning, pour diffuser les connaissances et bonnes pratiques auprès des équipes.

Ingénieur R&D/Post-doctoral Laboratoire Lorrain de Recherche en Informatique (LORIA) Nancy (2015-2016)

Projet ContNomina Développement d’un modèle de langage avancé pour la reconnaissance vocale à grande échelle

Conception et implémentation d’un modèle de langage basé sur des réseaux de neurones récurrents (RNN) pour améliorer les systèmes de reconnaissance vocale, adaptés aux grands vocabulaires.

Optimisation des performances de reconnaissance pour des corpus vocaux complexes et volumineux, avec une précision accrue dans la compréhension et la transcription des données parlées.

• Doctorat en informatique Université d’Avignon et des Pays de Vaucluse France (De 2009 à 2013)

Modélisation acoustique avancée et optimisation des performances pour les systèmes de reconnaissance vocale de grande échelle

• Master 2 en Informatique Université Grenoble Alpes France (De 2007 à 20)

Spécialité : Modélisation et traitements automatiques en industries de la langue NLP, apprentissage, Intelligence artificielle.