Sylvain Puyravaud

Projet : Automatisation de diagnostic
Sebia avec plus de 1000 employés est le premier fournisseur mondial d'équipements et de réactifs pour l'électrophorèse clinique des protéines.

Client : Laboratoires d’analyses

Contexte / Objectif : La mission consiste à accompagner la R&D pour la mise en place d'algorithmes d'intelligences artificielles pour l'automatisation, l'aide à l'interprétation et des algorithmes statistiques pour la découverte de nouveaux marqueurs de maladies.

Environnement travail / fonctionnel : équipe de 3 personnes comportant un data scientist, un chef de projet et moi-même.

Contraintes : une workstation équipée de GPU, collaboration avec des entreprises externes, un gitlab interne, quantitée de données dépendant des équipes de labellisation.

Principales réalisations :
Accélération et stabilisation de l’algorithme de traitement de signal (x100) et amélioration des métriques (accuracy est passé de 90% à 94%) pour le diagnostic du myélome multiple. Débogage, transfert et accompagnement pour que le code soit mis en évaluation sous forme d'un RUO.
Data engineering et collaboration avec les experts pour la mise en place d'une base de données de référence.
Analyses statistiques (glm,...) pour la détection de nouveaux marqueurs.
R&D sur les images de gels avec les derniers algorithmes de reconnaissance d’images. Mise en place d’algorithmes d’interprétabilité et de détection d’anomalie sur ces images. La performance était au-dessus de 98%.

Environnement technique : python, gitlab, linux

Projet : Standardisation API
Yzr est une start-up spécialisée dans la standardisation de libellés produits et de noms de clients. Elle propose une plateforme no code de normalisation basées sur des API et l’IA.

Client : Marketplace, grandes distributions

Contexte / Objectif : En forte croissance Yzr a besoin d’un support technique. J’ai rejoint Yzr dans un premier temps dans le but d’être l’interface entre l’équipe tech et les clients sur les sujets techniques pour que les ressources en interne soient à 100 % sur l’amélioration du produit. J’ai ensuite rejoint la R&D pour coacher les data scientists juniors et améliorer les algorithmes de NLP.

Environnement travail / fonctionnel : Equipe de 12 personnes dont 4 data scientists.

Contraintes : arriver à un ARR de 100K avant la prochaine levée de fonds

Principales réalisations :
Accélération des entrainements et du testing des algorithmes grâce aux GPU, dockerisation des algorithmes entrainés pour la mise en production, proposition d’utiliser un outil no code pour la labellisation manuelle.
Mise en place de la première version de l’algorithme pour traiter le sujet de l’augmentation de données.
Modification de l’algorithme pour qu’il prenne en compte les mots composés.
Mise en place d’un framework de testing pour monitorer l’évolution des performances de l’algorithme en fonction des différentes améliorations apportées. Ce qui a notamment permi de mieux démontrer aux clients l’utilité de l’algorithme de labelling et ce qui a entrainé l’acquisition du premier client de la start-up sur la parti produit : Monoprix.
Encadré un data scientist au début pour le labelling puis 2 data scientists.
Mise en place de dashboarding automatisés avec Google Sheet API
Mise en place d’un pipeline de données avec airflow pour déployer à l’échelle la validation des données chez les clients.

Environnement technique : python , Bert, Docker, AWS, Elastic Search, celery, fast-API

Biogen – Data Analyst, Paris (Fév. 2020 – Mai.2020)

Projet : Konectom
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 : Patients ayant des maladies mentales

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. J'ai intégré l'équipe dans le but de les aider à mettre en place la plateforme data d'analyse des données récupérées des devices.

Environnement travail / fonctionnel : Equipe de 10 personnes en Agile Scrum.

Contraintes : Nouvelle équipe, travail sur des données synthetiques en attente des essais cliniques

Principales réalisations :
Mise en place des premiers features de l’application mobile : Etat de l'art des algorithmes de step detection sur les séries temporelles d’accélération et de rotation partir d’un papier de recherche. Mise en place d’une démo vidéo démontrant l’algorithme dans la vrai vie.
Etude de reliability sur R pour analyser la qualité des features et leur stabilité temporelle.
Communication avec l’équipe engineering pour optimiser le transfer des features en production.

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