Soufiane Fartit

Contexte:
Au sein de l’équipe Expert Models & Advisory (Enterprise Risk Management) de Global Financial Services (GFS), j’ai travaillé sur la refonte des modèles de notation des contreparties, imposée par de récentes évolutions réglementaires. Pour automatiser et renforcer l’évaluation de leur robustesse, j’ai développé un outil de test de sensibilité, permettant de stresser les entrées et paramètres, de valider les nouveaux modèles et d’assurer leur conformité réglementaire, tout en générant des rapports clairs et structurés.
Missions:

• Analyse des modèles de notation, des calculettes et des jeux de données associés.
• Conception, développement et tests d’un outil Python de tests de sensibilité.
• Automatisation de la validation des modèles et exécution de simulations.
• Rédaction de documentation et guides d’utilisation.

Environnement technique: Python, openpyxl, xlsxwriter, xlwings

Missions:

• Développement de connecteurs des banques et plateformes de trading.
• Intégration d'APIs DSP2 pour la récupération de données.
• Maintenance corrective (support N4).
• Maintenance évolutive.
• Ingénierie inverse des sites web et gestion des anti-bots.

Environnement technique: Python, MySQL, Git, Alembic, Docker, Woob, Selenium, Playwright

Contexte:
Reflex est un système de gestion des entrepôts créé par Hardis et modifié et personnalisé par FM Logistic. Son bon fonctionnement est un élément critique pour les clients. Assurer son bon fonctionnement et surveiller l’état de santé des serveurs Reflex est donc une priorité pour l’entreprise.
Dans ce cadre s’inscrit ce projet, le but est de surveiller les journaux de logs générés par Reflex les analyser et chercher les anomalies en temps réel. Des anomalies dans les logs peuvent être suite à un mauvais fonctionnement ou une erreur interne et leur détection doit être faite le plus tôt possible pour permettre aux équipes de développement d’agir plus vite et minimiser les dégâts.

Mon objectif:
Mettre en place un système de surveillance pour détecter en temps réel les anomalies dans les journaux de logs.

Missions:

• Étude des solutions existantes du ‘log parsing’ et de la détection des anomalies.
• Évaluation de ces solutions en fonction de leur adaptabilité au logs de Reflex et de leurs performances.
• Création des pipelines de l'extraction des données, prétraitement et d'analyse syntaxique des logs, extraction des caractéristiques et entraînement des modèles de détection.
• Mise en place des pipelines de déploiement des modèles et d’envoi des prédictions.
• Mise en place d’un dashboard Kibana pour monitorer l’état de santé des serveurs Reflex.
• Rédaction d’un guide d’utilisation.

Environnement technique: Python, Numpy, Pandas, Matplotlib, Scikit-Learn, Keras, suite ELK, Google Data Studio

Contexte:
Le programme d'assistance à l'autonomie à domicile prolonge la capacité des personnes à rester actives et autonomes avec l’âge en offrant des services liés à la sécurité personnelle, accès aux soins de santé... La plupart de ces services utilisent des capteurs qui sont perçus
comme intrusifs. Une attention particulière a donc été portée aux recherches visant à induire l'activité d'un ménage à travers l'analyse de la consommation de leurs appareils. Ces systèmes sont connus sous le nom de surveillance de charge d'appareils non intrusive (NIALM).

Mon objectif:
La détection des changement dans les habitudes du sommeil chez les personnes âgées en analysant la consommation d'électricité de leurs appareils électroménagers. Et dans un second temps l'évaluation des performances des autoencoders variationnels par rapport aux autoencoders classiques.

Missions:

• Prétraitement des données des appareils électriques.
• Génération des données synthétiques.
• Réduction dimensionnelle des données en utilisant d'abord des autoencoders classiques et dans un deuxième temps des autoencoders variationnels.
• Classification des anomalies en utilisant les forêts d'arbres décisionnels.
• Evaluation des auto-encodeurs variationnels et la valeur ajoutée qu'ils peuvent apporter au niveau de la réduction de dimension.

Environnement technique: SciPy · NILMTK · NumPy · Pandas (logiciel) · Matplotlib · Scikit-learn · Python · Keras · PyTorch

Contexte:
Le NEW-R-DRONE est un drone de surveillance, autonome, équipé d’une caméra à double objectif couleur et thermique issue de la technologie Mobotix. Il offre une détection intelligente de mouvements qui, couplée à une retransmission d’image en temps réel, assure une sécurité optimale du site à protéger.

Mon objectif:
Assurer une sécurité optimale du site à protéger en détectant et suivant intelligemment les individus à partir des images capturées par le drone.

Missions:

• Développement d'un système de détection et de suivi des individus à l'aide d'images thermiques aériennes capturées par le drone de surveillance.
• Pré-traitement des images en utilisant des filtres et des transformations morphologiques .
• Détection des individus sur l’image.
• Estimation des positions des individus en fonction de l'altitude du drone, des coordonnées GPS, de l'ouverture focale de la caméra, de l'inclinaison du drone et de la caméra.

Environnement technique: Python, Numpy, Pandas, Matplotlib, Scikit-Learn, Keras, OpenCV, Requests