Lucas Potin | Data Scientist & Docteur en Data Mining

À propos

Du graph mining à l'IA appliquée

J'aime résoudre des problèmes à partir des données. Cette curiosité m'a mené des mathématiques appliquées à la data science, puis à un doctorat consacré à la détection de corruption dans les marchés publics grâce à l'analyse de graphes complexes.

Aujourd'hui, je travaille aussi bien sur des modèles prédictifs que sur des outils construits autour de l'IA générative. Les technologies évoluent, mais ce qui me motive reste le même : partir d'un problème concret, explorer différentes approches et construire des solutions utiles.

En dehors du travail, je pratique le tennis de compétition et joue régulièrement au bridge.

Parcours

Des mathématiques appliquées aux outils data

2016–2020

Ingénieur en génie mathématique

Mathématiques appliquées, modélisation et optimisation.

2020

M2 Science des données

Machine learning, statistiques et projets data appliqués.

2021–2025

Doctorat en data mining

Analyse de graphes et détection d’anomalies dans les marchés publics.

Aujourd’hui

Data Scientist @ GSE

Prévision, IA générative et outils d’aide à la décision.

Compétences

Expertises & technologies

Data Science & ML

Machine Learning Statistiques Graph Mining

IA générative

LLM RAG Agents IA

Engineering & Cloud

Python SQL Azure Elasticsearch Docker

Projets

Quelques réalisations

Des apps, dashboards et APIs développés autour de problèmes data concrets.

Graph Mining | Dashboard

DramaPang

Objectif: Classifier des pièces de théâtre à partir des relations entre personnages.
Approche: Construction de réseaux de personnages et extraction de motifs discriminants.
Résultat: Application web interactive.

Graph Mining Classification NetworkX

App Code

Machine Learning | Dashboard

Prédiction des ventes retail

Objectif: Prévoir les ventes hebdomadaires par famille de produits.
Approche: Comparaison de modèles de prévision, dont Prophet et XGBoost.
Résultat: Dashboard interactif de visualisation et de comparaison.

Prévision Machine Learning XGBoost

App Code

Data engineering | API

Siretizator

Objectif: Associer automatiquement des organisations à leur identifiant SIRET.
Approche: Normalisation des données et fuzzy matching à la base SIRENE.
Résultat: API de réconciliation d'entités.

Open Data Entity Resolution FastAPI

API Code

Recherche

Publications scientifiques

Travaux autour du graph mining, de l'open data et de l'analyse des marchés publics.

2025 Data in Brief

Processing and consolidation of open data on public procurement in France (2015–2023)

Base de données consolidant les marchés publics français afin de faciliter l'analyse économique, la recherche et la détection d'anomalies.

2015–2023 période couverte

~300K marchés consolidés

Auteurs : A. Deschamps, L. Potin

Article Code

2025 ACM TKDD

Pattern-Based Graph Classification: Comparison of Quality Measures and Importance of Preprocessing

Comparaison systématique de mesures de qualité pour sélectionner des motifs discriminants dans des tâches de classification de graphes.

38 mesures comparées

92% de motifs en moins sur un benchmark

Auteurs : L. Potin, R. Figueiredo, V. Labatut, C. Largeron

Article Code

2023 Nature, Scientific Data

FOPPA: an open database of French public procurement award notices from 2010–2020

Base ouverte nettoyée et documentée permettant l'étude des marchés publics français du TED à grande échelle.

2010–2020 période couverte

~1.4M lots intégrés

97.5% acheteurs identifiés

Auteurs : L. Potin, V. Labatut, P.H. Morand, C. Largeron

Article PDF Code

2023 ECML PKDD

Pattern mining for anomaly detection in graphs: Application to fraud in public procurement

Méthode explicable de détection d'anomalies dans les graphes appliquée à l'identification de situations à risque dans les marchés publics.

15,793 motifs extraits

0.95 F1-score sur FOPPA

Explicable motifs discriminants identifiés