Ingénieur en machine learning avec une expérience variée dans des startups et des projets personnels couvrant la modélisation prédictive, la détection d'anomalies, et la classification d'images. Spécialisé dans la création de modèles performants et interprétables, notamment pour le secteur bancaire et la détection de fraudes. Passionné par les nouvelles technologies et l'intelligence artificielle, je suis toujours à la recherche de défis pour transformer des données en valeur ajoutée.
Mission 1 : Détection de fraudes bancaires
Situation : L'entreprise souhaitait améliorer la détection des fraudes afin de protéger ses clients.
Tâche : Créer un algorithme de détection des fraudes basé sur une classification non supervisée.
Action : Mise en place de modèles tels que Isolation Forest, réseaux bayésiens, et modèles de graphes.
Prétraitement des données pour éviter l'oversampling et l'undersampling. Évaluation via AUC-ROC, Recall, et F1-score.
Résultat : Amélioration de la détection des fraudes avec une augmentation du recall de 15% tout en maintenant une interprétabilité optimale.
Mission 2 : Prédiction de risque de crédit
Situation : Besoin d'un modèle adaptatif pour évaluer le risque de crédit, aligné sur les objectifs des banques clientes.
Tâche : Développer un modèle prédictif hybride intégrant des règles métiers modifiables.
Action : Conception d'un modèle utilisant Random Forest et XGBoost, accompagné d'une surcouche de règles métiers paramétrables par les banques.
Validation croisee et utilisation de SHAP pour garantir l'interprétabilité.
Résultat : Modèle à la fois performant et adaptatif, évalué avec un AUC-ROC de 0,92.