Dr Adel Taleb

SogetiLabs (Capgemini) - Data Scientist et Responsable du pôle data

Septembre 2020 - Octobre 2024

À SogetiLabs, j'ai dirigé plusieurs projets d'envergure en tant que responsable du pôle data. Mes principales missions incluent :

• Projet de classification des comportements moteurs chez les nouveau-nés : Développement d'un modèle basé sur l'intelligence artificielle pour détecter les anomalies dans les mouvements généraux (GMs) des nourrissons. Ce projet a permis une détection plus précoce des troubles neuro-moteurs.
• Optimisation des modèles de deep learning : Mise en place d'une pipeline pour optimiser les performances des modèles de deep learning sur des données médicales, en adaptant les architectures de réseaux neuronaux convolutifs.
• Encadrement d'une équipe de data scientists : Supervision et mentorat de stagiaires et consultants dans la réalisation de projets de recherche et développement autour de l'intelligence artificielle.

Laboratoire CHART (PSL) - PhD Student

Septembre 2019 - Octobre 2024

Dans le cadre de ma thèse à PSL, j'ai travaillé sur plusieurs axes majeurs de la recherche en vision par ordinateur appliquée à la motricité humaine :

• Développement d'un modèle pour l'amyotrophie spinale infantile : Création d'un modèle de classification pour diagnostiquer l'ASI à partir de vidéos de nourrissons. Ce modèle a été conçu pour être interprétable par des cliniciens.
• Étude des mouvements pathologiques chez les enfants : Analyse des mouvements anormaux chez les nourrissons en collaboration avec des neurologues pédiatriques, et adaptation des techniques de deep learning à des données médicales limitées.

SogetiLabs (Capgemini) - Alternant Data Scientist

Septembre 2018 - Septembre 2019

En tant qu'alternant Data Scientist, j'ai participé à des projets innovants au sein de l'équipe de R&D :

• Reconnaissance d'entités nommées : Développement d'algorithmes de deep learning pour la reconnaissance d'entités dans des documents textuels et leur anonymisation.
• Analyse prédictive de données : Participation à des projets d'analyse prédictive en utilisant des techniques de machine learning supervisé et non supervisé.

Doctorat en Informatique, Statistiques et Cognition - Université PSL, Laboratoire CHArt

2020 - 2024

Titre de la thèse : Analyse de la motricité chez le nourrisson et l'adulte

• Étude des mouvements généraux chez les nourrissons par apprentissage automatique : Réalisation d'un état de l'art avancé sur les mouvements généraux et extraction de descripteurs spatio-temporels à l'aide de méthodes de vision par ordinateur.
• Adaptation de modèles d'estimation de la pose pour nourrissons : Optimisation de modèles de deep learning pour la détection et le suivi de la pose dans des données vidéos avec un nombre limité d'échantillons.
• Développement d'un modèle de classification pour l’amyotrophie spinale infantile et XAI : Création d'un pipeline de classification basé sur des caractéristiques extraites de séquences de mouvement, intégrant des méthodes d'apprentissage supervisé pour fournir un pré-diagnostic à partir de vidéos, avec intégration de méthodes d'explicabilité pour l'acceptabilité clinique.
• Analyse biomécanique de la marche : Introduction d'une nouvelle méthode fondée sur l'analyse dynamique du mouvement par barycentre, appliquée à la détection automatique de la marche hémiplégique (méthode brevetée).
• Mise en place de protocoles de collecte de données en respectant les exigences de protection des données personnelles.
• Participation à la création de la plateforme de recherche R2P2.

Master en Machine Learning pour la Science des Données - Université Paris Descartes

2017 - 2019

• Mesure de la qualité des embeddings de documents (Text Mining).
• Implémentation d'un Réseau Adversarial Génératif (GAN) pour le pseudo-labeling (Deep Learning).
• Apprentissage profond pour la réduction de dimension.
• Projet AI4Eye : Conception d'un modèle d'apprentissage pour la reconnaissance et l'interprétation d'images vidéo destiné aux personnes malvoyantes, avec estimation des distances (près et loin).
• Développement d'un système de recommandation basé sur le filtrage collaboratif utilisateur, avec estimation de la qualité de la recommandation en appliquant différentes méthodes de clustering et comparaison des clusters avant et après recommandation.