Bernadette Audrey Djoupe Pene

Détection d’émotion, de sexe et d’âge sur un système embarqué pour évaluer la satisfaction des clients de TotalEnergies (Python, Tensorflow, Keras, OpenCV, Linux)
• Réalisation d’un benchmark approfondi des données et solutions existantes
pour aligner le POC sur les besoins spécifiques de TotalEnergies
• Sélection et analyse des images pertinentes pour l’entraînement de 3 modèles de détection (âge, sexe et émotion)
• Entraînement et optimisation de chaque modèle de détection sur les données pour le fonctionnement en temps réel
• Intégration des 3 modèles de détection dans le système embarqué pour l’extraction de l’âge, de
l’émotion et le sexe des clients puis, réalisation des statistiques dynamiques sur les résultats.

Développement d’un modèle d’aide au diagnostic des maladies des patients (Python, Tensorflow, Keras, OpenCV, ETL, Pytorch, Power BI, Azure DevOps)

• Réalisation d’un benchmark des données et solutions existantes pour aligner les méthodes à
utiliser avec les besoins du projet.
• Collecte et mise en place d’une pipeline ETL de traitement de plus de 10 000 images
radiographiques améliorant leur qualité à l’aide d’Azure Data factory, Azure Synapse Analytics, Azure Data Lake Gen 2, Databricks, Azure Key Vault.
• Visualisation et rééquilibrage des données pour des analyses afin d’optimiser l’entrainement
des modèles.
• Développement d’un modèle IA performant (87% de précision) intégré à une application
web pour médecins, avec un pipeline CI/CD pour des déploiements rapides et fiables
• Rédaction d’un article scientifique de mes différents travaux pour publication

Développement d’un chatbot personnalisé pour l’entreprise
• Analyse, traitement et nettoyage de la base de données non structurée de l’entreprise
pour une meilleure exploitation des informations.
• Conception et mise en place de bases de données SQL structurées et optimisées pour le
stockage et la gestion des données.
• Développement d’un chatbot intelligent sur mesure, entraîné sur les données
internes de l’entreprise à l’aide de modèles LLM avancés (Llama et DeepSeek) en local.
• Optimisation du chatbot pour garantir des réponses instantanées, précises et pertinentes.
• Déploiement du chatbot sur une application, offrant ainsi une expérience fluide et accessible aux utilisateurs.