CV ATS Data Scientist — Modèle français orienté production et impact

Data Scientist orienté production, avec une expertise en Python et SQL pour concevoir, évaluer et déployer des modèles au service d’objectifs business. Je transforme des données brutes en features robustes, j’optimise les métriques (AUC-ROC, F1-score, MAPE) et je documente les hypothèses pour accélérer les décisions. J’utilise MLflow pour tracer les expériences, assurer la reproductibilité et piloter les itérations. Mon objectif : livrer des systèmes ML fiables, mesurés et maintenables, pas seulement des notebooks.

Je travaille avec des pipelines orchestrés via Airflow et je conteneurise les traitements avec Docker pour réduire les écarts entre environnement local et production. Côté modélisation, j’emploie scikit-learn et XGBoost pour les cas supervisés tabulaires, puis PyTorch/TensorFlow lorsque le besoin nécessite des architectures deep learning. Je priorise la performance et la robustesse : calibration des modèles, validation temporelle, gestion du drift et suivi des métriques. Les résultats sont systématiquement quantifiés : gains de précision, réduction du churn, amélioration du taux de conversion ou baisse des coûts de décision.

Stack data : Python, SQL et (selon le contexte) PySpark pour le traitement de volumes ; j’applique des stratégies de qualité de données, déduplication, contrôles de schéma et tests de régression. Je conçois des features réutilisables et expliquables, en intégrant des notions de leakage, d’encoding et de gestion des manquants. Pour l’évaluation, j’emploie des schémas adaptés (cross-validation, validation temporelle) et je rapporte les métriques prioritaires. Exemple : un modèle de scoring optimisé via recherche d’hyperparamètres, avec amélioration mesurée du F1-score et réduction des faux positifs.

Stack ML et déploiement : scikit-learn, XGBoost, PyTorch/TensorFlow ; instrumentation des expériences avec MLflow pour suivre paramètres, artefacts et performances. Le passage en production passe par Docker et des pipelines orchestrés avec Airflow, afin de garantir la fréquence d’entraînement, la qualité d’entrée et la traçabilité. Je déploie sur AWS (SageMaker) ou GCP (Vertex AI) selon l’environnement, et j’assure le monitoring via métriques de performance et alerting. Résultat : des modèles “prêts à opérer”, avec une latence mesurée et une stratégie de maintenance documentée.

Programme de réduction du churn : j’ai mené une analyse causale et prédictive à partir d’un historique utilisateur SQL, puis construit des features en Python. Les modèles (baseline scikit-learn puis boosting XGBoost) ont été évalués sur un split temporel, avec suivi de l’AUC-ROC et de la calibration. Les expériences ont été orchestrées et versionnées dans MLflow, tandis que le pipeline d’entraînement et de scoring était automatisé via Airflow. En production, le scoring batch a contribué à une réduction de 18% du churn sur 5M d’utilisateurs, avec un ROI estimé à partir de la valeur client et du coût d’acquisition.

Détection d’anomalies sur séries temporelles : j’ai conçu un pipeline de détection robuste en gérant saisonnalité et dérive, avec des tests de stabilité et des seuils recalibrés. Les modèles (approches statistiques et ML) ont été développés en Python, puis packagés en Docker pour homogénéiser l’exécution. Le modèle a été déployé sur AWS SageMaker et instrumenté pour suivre les métriques d’alerte et la précision de détection. KPI : baisse de 27% des faux positifs et amélioration de la détection d’événements critiques, avec une latence de scoring contrôlée pour respecter les contraintes opérationnelles.

NLP pour classification de tickets : j’ai construit un pipeline de traitement de texte (nettoyage, normalisation, vecteurisation) et évalué plusieurs architectures adaptées au contexte. Les expérimentations étaient traçées via MLflow, et les performances rapportées avec F1-score macro et courbes de confusion. Le déploiement a été préparé pour l’usage en production, avec packaging Docker et validation des jeux de tests versionnés. Résultat : amélioration du F1-score de 0,62 à 0,74 et réduction du temps moyen de traitement grâce à une priorisation plus fiable des demandes.

Je maintiens un portfolio GitHub structuré avec des dépôts orientés “usage” : README opérationnel, commandes d’installation, notebooks d’exemple et scripts reproductibles en Python. J’y expose des projets qui couvrent à la fois l’ingénierie des données et les pipelines ML, avec des métriques et des limites clairement indiquées. Je privilégie des issues et PRs propres afin de démontrer la qualité de collaboration. Sur chaque projet, j’indique la performance observée (ex. AUC-ROC, MAPE) et l’empreinte MLOps (MLflow, Docker) quand elle existe.

Pour renforcer la crédibilité, je peux ajouter des liens vers des notebooks ou ressources Kaggle lorsque c’est pertinent, tout en gardant un niveau de rigueur comparable à un livrable pro. Je m’assure que la documentation détaille la structure des données, les hypothèses et les étapes de validation. En parallèle, je communique les résultats sous forme de synthèse technique : choix de métriques, stratégie de validation et interprétabilité (SHAP ou méthodes équivalentes selon le projet). L’objectif est de permettre à un recruteur de vérifier rapidement ma méthode, pas uniquement de consulter du code.