Jeamiah Idakab Abor

Analysé des jeux de données opérationnels complexes pour découvrir des tendances cachées et produire des insights actionnables. Conçu, construit et maintenu des pipelines ETL robustes avec SQL et Python, en orchestrant collecte, nettoyage et assainissement de données à grande échelle. Entraîné, validé et ajusté des modèles de machine learning prédictifs pour prévoir des résultats clés afin de soutenir des décisions proactives. Converti des résultats analytiques en dashboards BI compréhensibles pour des parties prenantes non techniques, tout en optimisant des requêtes legacy et la structure de stockage pour réduire le temps de génération des rapports.

Exploré et modélisé des jeux de données opérationnelles complexes afin d’identifier des tendances cachées et fournir des insights actionnables améliorant l’efficacité des processus. Conçu, construit et maintenu des pipelines ETL robustes avec SQL et Python pour la collecte, le nettoyage et la sanitisation de données santé à grande échelle. Entraîné, validé et affiné des modèles ML prédictifs pour prévoir des résultats clés, permettant des décisions stratégiques proactives. Mise en place de tableaux de bord de reporting compréhensibles pour des parties prenantes non techniques, et optimisation de requêtes legacy et de l’architecture de stockage pour réduire le temps de génération de reporting et améliorer l’accès aux données.

Conçu et optimisé une chaîne ML end-to-end pour la détection, le suivi et la classification d’objets en environnements dynamiques avec contraintes de latence. Mise en œuvre de techniques avancées de traitement du signal et de vision par ordinateur en Python pour améliorer la précision en temps réel tout en respectant les contraintes de ressources. Développé des systèmes d’ingestion et d’analyse de données à haut débit pour des flux capteurs à haute vélocité, en améliorant la latence, la fiabilité opérationnelle et l’efficacité de traitement. Collaboration sécurisée avec une équipe internationale pluridisciplinaire dans le cadre d’accords de non-divulgation, avec tests et validation rigoureux pour réduire les faux positifs et améliorer la confiance des seuils dans des scénarios critiques.