Vincent D.

Accompagnement du Groupe BPCE dans la conception et le déploiement à l'échelle d'architectures RAG (Retrieval-Augmented Generation) sur mesure pour répondre aux besoins spécifiques de différents métiers (Juridique, Compliance, IT). L'enjeu majeur était de passer du simple "PoC" à des solutions d'entreprise industrialisées, sécurisées et évaluées en continu.

🎯 Réalisations & Missions :

Cadrage Stratégique & Delivery Agile : Animation des phases de cadrage avec les directeurs de projet et Business Analysts (BAs) pour définir les cas d'usage, les budgets et le time-to-market (PoC ➔ MVP ➔ Prod). Travail en itérations (Sprints) en étroite collaboration avec les développeurs.

Ingestion Multimodale & Traitement de Données : Création de pipelines complexes d'ingestion depuis des sources hétérogènes (SharePoint, Confluence, API internes). Utilisation de Layout Analyzers pour structurer les documents (PDF, Word, Excel) via l'extraction de polygones, couplé à des stratégies de chunking dynamiques enrichies en métadonnées.

Moteur de Recherche Avancé (Search) : Mise en place d'une architecture de retrieval à deux niveaux pour les chatbots internes : recherche vectorielle (Bi-encoders) combinée à un reranking fin (Cross-encoders). Intégration de filtres métiers via NLU (stopwords, synonymes).

Évaluation & Fiabilité (Anti-hallucination) : Garant de la justesse des modèles via le déploiement du framework RAGAS. Création de Golden Datasets pour mesurer la cohérence documentaire, évaluer les réponses générées ("LLM-as-a-judge") et assurer une fiabilité absolue pour les métiers de la compliance.

Architecture Cloud : Déploiement de l'ensemble de la solution sur l'infrastructure sécurisée de la banque (Azure AI).

🛠️ Stack technique : Azure AI, Python, RAGAS, LLMs, Vector DBs, Bi/Cross-Encoders, Layout Analyzers, NLU, Méthodologie Agile/Scrum.

Mission : Pilotage de projets d’intelligence artificielle et de modélisation prédictive pour la gestion d’actifs et la prise de décision stratégique.

Développement de modèles de forecasting multi-sectoriels : prévision d’inflation, détection de signaux de marché, estimation de la volatilité future.

Création de pipelines de données automatisés (API → PostgreSQL → AWS S3) pour collecter, transformer et stocker des données financières et économiques.

Conception de modèles prédictifs avancés (LSTM, XGBoost) avec optimisation des hyperparamètres (Bayesian Optimization avec Optuna).

Mise en production de dashboards interactifs pour les équipes d’investissement, avec visualisation en temps réel des signaux d’alerte.

Intégration de LLM et RAG pour exploiter des documents non structurés (rapports, articles) et améliorer la feature engineering.

Travail en autonomie complète, reporting bi-hebdomadaire à la direction pour un portefeuille de 100 à 200M£ d’actifs.

🧰 Tech stack : Python, SQL, Optuna, SARIMAX, Monte Carlo, SHAP, Streamlit, AWS, PostgreSQL

Mission : Analyse sectorielle et automatisation des outils d’aide à la décision pour les investisseurs.

Conception d’outils Python pour automatiser le reporting financier et l’analyse sectorielle (automobile, consommation durable).

Exploitation des données financières (flux de trésorerie, bilans, comptes de résultats) pour enrichir les recommandations de recherche.

Création de tableaux de bord dynamiques pour les présentations clients.