Xiaohua CUI

● Pilotage de la conception et du déploiement de projets en Machine Learning, LLM et Agents, couvrant la détection de fraude en assurance MRH (multirisques habitation), l’analyse de verbatims clients, l’extraction d’informations dans les rapports d’accidents d’assurance et la génération automatisée de rapports BI via RAG et LangChain.

● Industrialisation de solutions d’IA frugales en production, avec un suivi rigoureux des coûts et de la latence grâce à l’orchestration des services Azure, Databricks et OpenAI, permettant une réduction des coûts d’inférence de 31 % tout en assurant la scalabilité.

● Traduction des besoins métiers en solutions techniques et développement d’outils d’aide à l’évaluation des sinistres à risque (application Streamlit connectée à Azure DB), ayant amélioré l’efficacité analytique des équipes de 30 %.

● Documentation continue, diffusion de connaissances en IA et actions de sensibilisation internes (Copilot, bonnes pratiques LLM, etc.).

● Création d'un Proof of Concept (PoC) de solutions d'IA générative pour des tâches NLP traditionnelles.

● Évaluation des coûts et des performances de LLMs open-source et de GPT pour la classification multi-label de messages clients sur Databricks.

● Amélioration du F1-score de 0,6 à 0,79 avec prompt engineering et optimisation des hyperparamètres.

● Automatisation des expérimentations avec une architecture LangChain et MLflow.

● Entraînement de modèles de machine learning et fine-tuning de CamemBERT à des fins de comparaison.

● Publication de trois articles détaillant l'approche : Amélioration itérative par agent LLM.

● Évaluation et amélioration de modèles de langage (LLM) à grande échelle sur des tâches complexes, incluant le raisonnement logique, la génération de code (Python) et la résolution de problèmes mathématiques.

● Développement de scripts et d'outils pour analyser et quantifier la performance des modèles, en identifiant les points faibles et les axes d'amélioration.

● Rédaction de "golden responses" (réponses de référence) et de consignes précises pour guider le fine-tuning et l'alignement des modèles avec l'intention humaine.

● Collaboration avec les équipes de recherche et d'ingénierie pour fournir un feedback qualitatif détaillé sur le comportement des modèles.

● Annotation de messages clients provenant du système de la boutique en ligne.

● Développement d'un modèle RoBERTa sous PyTorch pour l'analyse de sentiments (polarité), atteignant une précision de 92 %.

● Collaboration avec l'équipe produit pour le déploiement du modèle.

Sorbonne Nouvelle, Paris.

Université des Langues et Cultures de Pékin, Pékin, Chine.

Université de Yanshan, Qinhuangdao, Chine.