Data scientist Paris : Trouvez vite les meilleurs freelances disponibles

Exemple de missions de Sylvain,
Data Scientist freelance

• YZR Data Scientist
  Jan 2021 - Jan 2021

  Projet : Standardisation API
  Yzr est une start-up spécialisée dans la normalisation et la standardisation de données. Elle
  propose une plateforme d’automation de l’interopérabilité des données provenant de sources
  hétérogènes.
  Client : Yzr
  Contexte / Objectif : En forte croissance Yzr a besoin d’un soutien technique pour pouvoir
  faire face à la demande. J’ai rejoins Yzr dans le but d’être l’interface entre l’équipe tech et les
  clients permettant ainsi à celle-ci de se concentrer sur le produit. Mon objectif est de faire
  monter en compétence l’équipe technique, gérer un portefeuille de client et d’intégrer de
  nouvelles features à la Roadmap produit.
  Environnement travail / fonctionnel : Equipe de 10 personnes.
  Contraintes : Le Coronavirus qui a mis un stop aux essais cliniques du produit.
  Principales réalisations :
  • PRISE EN MAIN DE PLUSIEURS CLIENTS : CLEAR CHANNEL, L’OREAL, AXA MAROC ET MECHANICUS
  • EXECUTION D’ALGORITHMES TELS QUE LE VARIANT GROUPS ET CAMEMBERT POUR CES CLIENTS.
  • INTEGRATION DE DONNEES DANS ELASTIC SEARCH
  • CONSEILLE L’EQUIPE TECH SUR LES TECHNOLOGIES A UTILISER (PAR EXEMPLE KUBERNETES AVEC
  GPU SUR LE CLOUD AWS, TKINTER, …)

  Environnement technique : python , kubernetes, Camembert, Bert, Variant groups, git, Docker, AWS, project management, Elastic Search

• Biogen – Data Analyst, Paris

  Konectom
  Jan 2020 - Jan 2020

  Konectom est une application mobile de Biogen. Elle consiste en un medical device permettant de suivre
  l’évolution de maladies cérébrales : SMA, MS, … L’application évite aux patients de faire certains tests chez
  le médecin dans le cadre de leur suivi.
  Client : Equipe scientifique
  Contexte / Objectif : Le projet s’inscrit dans l’intégration d’un produit d’une start-up (Ad Scientiam) dans
  les produits de Biogen permettant de combiner l’innovation avec la force de frappe de Biogen au niveau des
  Clinical trials. L’équipe Data est chargée d’analyser les données d’utilisation de l’application. L’objectif est
  la mise de place de features optimaux permettant le suivi de la progression de la maladie chez le patient.
  Premier Data Scientist / Data Analyst recruté au sein de l’équipe Data.
  Environnement travail / fonctionnel : Equipe de 10 personnes en Agile Scrum.
  Contraintes : Le Coronavirus qui a mis un stop aux essais cliniques du produit. Aucune infrastructure
  d’analyse de données au début de la mission.
  Principales réalisations :
   Suivi d’une entreprise tierce pour la mise en place du back-end de la plateforme de Data Science :
  - Analyse des besoins utilisateurs (Data Scientists)
  - Revue de l’architecture back-end proposée sur le cloud AWS (Amazon Web Services) avec
  l’entreprise tierce - Cycle de vie des données : base de données firebase, document Db,
  lambda functions, notebooks, intégration Git, outils d’analytics
  - Définition des formats de données utilisées sur la plateforme de Data Science et
  récupérées sur les devices
  - Définition des variables utilisées à partir des réunions scientifiques
   Mise en place d’une première librairie data science avec les fonctionnalités CI/CD sur le GitLab de
  l’équipe Data Engineering :
  - Création d’un algorithme état de l’art de step detection sur des séries temporelles de
  données d’accélération et de rotation à partir d’un papier de recherche pour le U-turn
  test et mise en place d’une démo (visualisation des résultats de l’algorithme en temps réel)
  permettant de démontrer l’algorithme à l’équipe
  - Lancement d’une étude de reliability avec R afin de visualiser la qualité des features et de
  leur stabilité temporelle.

  Environnement technique : AWS, Python, Docker, R, mongo Db, Signal processing

• Data engineer, Lausanne

  AXA Group Operations
  Jan 2019 - Jan 2020

  Projet : Healthcare bot
  Au sein d’AXA REV (Research Engineering Vision) qui est le pôle
  innovation de l’IT au niveau groupe d’AXA. Les équipes d’AXA REV
  travaillent sur des projets à haut potentiel et placés très haut sur la value
  chain. Elle collabore avec les meilleurs chercheurs du monde (Stanford,
  Ecole Polytechnique Fédérale de Lausanne, …)
  Client : N+2 de l’équipe AXA REV
  Contexte / Objectif : Le projet consiste en la mise en place d’un Chatbot
  médical. L’utilisateur peut recevoir des diagnostics et suggestions de
  médecins en échangeant avec le Chatbot.
  Environnement travail / fonctionnel : Equipe de 10 personnes
  réparties à Lausanne, Paris et Barcelone et un Chef de Projet Agile.
  Contraintes :
   Contrainte de temps : Déploiement du bot en production mijanvier.
   Contraintes légales, de sécurité, de robustesse, d’image de
  marque, ...
  Principales réalisations :
   Aide à la définition et mise en place de l’architecture backend (fonctions Azure, serveur FHIR, transformation de données
  grâce à Typescript, Spark…) du chatbot enregistrant les
  interactions utilisateurs dans une base de données graph sur
  Azure Cosmos DB regroupant les données anonymisées
  d’utilisation du bot.
   Utilisation de Docker pour tester les fonctions en local.
   Travaux effectués sur la robustesse du code avant la mise en
  production et l’intégration de test pour l’intégration continue.
   Code review avec le project manager en s’assurant des best
  practices Python.

  Environnement technique : Cloud Azure, fonctions Azure, Trigger, procédures Azure, Databricks sur Azure, l’API REST de Spark, Neo4j, Standard FHIR, Typescript, Javascript, VS code, GitHub, Python Cosmos DB

• Computer Vision Data Scientist

  Servier
  Jan 2019 - Jan 2019

  Projet : Détection de cancer sur les images histopathologiques
  L’équipe Data Science fait partie du PEX MVD (Pôle d’Expertise
  ‘Modélisation et Valorisation des Données’) intégré à IRIS (Institut de
  Recherches Internationales Servier). Elle travaille sur des
  problématiques de Computer Vision, NLP, Séries temporelles,
  anonymisations appliquées au domaine médical.
  Client : Project Manager Data Science
  Contexte / Objectif : Détection de cancer avec des algorithmes de
  Deep Learning pour identifier les différents types de cancer. Projet de
  classification de séries temporelles.
  Environnement travail / fonctionnel : Equipe de 6 personnes dont 2
  Chefs de Projet.
  Contraintes : Contrainte de temps pour une mise en place des
  algorithmes avant fin septembre. Limitation au niveau des librairies
  Deep Learning : utilisation des librairies et versions qui sont installées
  sur le HPC (>10 GPU, plusieurs Po de stockage). Nombre assez faible
  d’images par cancer.
  Principales réalisations :
   Etat de l’art d’algorithmes de traitement d’images 3D dans le
  but de les appliquer sur des scans IRM du genou pour détecter
  la progression de l’arthrose (3D CNN, …)
   Mise en place d’un algorithme de Computer Vision (ResNet)
  avec du Transfer Learning pour la détermination du type de
  cancer (Prostate, Colon, sein, poumon). Détermination des
  étapes de nettoyage et mise en forme des images
   Extraction de features de séries temporelles de
  recrutement clinique pour faire de la classification (Kmeans) au niveau du site-étude afin d’avoir un prior pour
  entrainer un modèle bayésien

  Environnement technique : HPC, Tensorflow, Selenium, Python

• Manager France Bixby

  Samsung – Machine Learning Scientist & Engineer
  Jan 2018 - Jan 2019

  Projet : ASR (Automatic Speech Recognition)
  L’équipe ASR s’occupe de la transcription de la voix en texte. Les
  performances de l’équipe ASR a une influence directe sur la
  reconnaissance vocale de Bixby (Assistant virtuel) qui est installé sur le
  téléphone des particuliers. L’équipe est divisée en plusieurs entités :
  Language Modeling,
  IContexte / Objectif : L’objectif est d’améliorer la reconnaissance
  vocale de Bixby sur les devices Samsung des utilisateurs.
  Environnement travail / fonctionnel : Equipe de 10 personnes en
  Agile Scrum dont un Team Leader.
  Contraintes :
   Encadrement du projet par Samsung Pologne qui a mis en place
  l’architecture permettant de sous-traiter les langues Européennes
   Contraintes de temps avec la sortie du produit en novembre 2018
   Contrainte de performances pour l’acquisition de nouveaux clients
   Contraintes légales pour le crawling de sites web.
  Principales réalisations :
   Crawling de sites web pour entrainer le modèle de langage.
  Utilisation de Rotating Proxies, BeautifulSoup, Headless Chrome,
  Selenium (utilisé par exemple pour des pages à défilement infini
  sur le forum Quora), VPN, Apache Nutch (par exemple pour
  crawler le monde), Wikipédia, Français facile, Opus.... Tests de
  différents agencements de textes de language naturels pour
  améliorer la perplexité
   Mise en place de slot dictionaries
   Automatisation de tâches de correction de corpus
   Phonétisation automatique via LSTM
  Environnement technique : Regular expression, Nutch, Python, CMU
  SphinxTN, Wake up, G2P