Pipeline de parsing documentaire et question answering avec RAG

Ce projet vise le déploiement et l'administration de JFrog Artifactory pour la gestion des artefacts. L'automatisation des tâches récurrentes est assurée via Ansible et des scripts Shell. L'intégration d'Artifactory dans la chaîne DevOps permet d'optimiser la gestion des artefacts et d'améliorer les processus CI/CD en collaboration avec les équipes de développement. La supervision et l'administration des serveurs Linux (CentOS) sont réalisées, accompagnées de la rédaction de documentation technique et de la gestion des tickets et incidents.

Détection d'anomalies sur installations industrielles via des algorithmes de traitement du signal et de machine learning (CNN, RNN). Évaluation des performances des modèles sur des données réelles issues de centrales électriques. Rédaction d'une publication scientifique en collaboration avec le LAMCOS – INSA Lyon.

Déploiement de modèles de machine learning en production pour la segmentation client, la prédiction de churn (AUC 0.92) et la modélisation LTV. Conception d'un système de détection de dérive en temps réel pour le suivi de plus de 15 modèles en production. Élaboration d'un framework d'A/B testing et d'un dashboard interactif, réduisant de 60% le temps d'analyse des expérimentations. Développement de modèles de maintenance prédictive basés sur le traitement du signal et des architectures deep learning (CNN/RNN).