Bienvenue chez DataInsight !

 

Votre partenaire pour 

augmenter le potentiel de votre entreprise grâce à la Data et à l'IA

Nos services:

 STRATÉGIE Data & IA : Augmenter votre potentiel

 

L'intelligence artificielle promet de révolutionner tous les secteurs d'activité, mais comment déployer une stratégie adaptée à votre situation ?

Dans cet exercice souvent complexe, n'hésitez pas à vous faire accompagner !
DataInsight vous propose son expertise pour concevoir votre stratégie Data & IA en trois temps :

• Définition
• Implémentation
• Gouvernance & Maintenance

 PROJETS & solutions d'IA generative pour une amélioration de productivité

 

L'IA générative offre une boite à outils fascinante pour apporter de nombreuses solutions commerciales inimaginables il y a quelques années seulement !

Cependant, il peut être difficile d'identifier la meilleure approche en termes de sécurité des données, d'efficacité des algorithmes et de mise en production.

Développement de PRODUITS basés sur la modélisation de données

 

Au-delà de la qualité et de la valeur commerciale des solutions de votre entreprise, la vitesse de mise à disposition de nouvelles solutions pour les clients est très souvent un paramètre critique pour remporter une nouvelle opportunité.

L'utilisation d'approches intelligentes pour le développement de nouveaux produits (basées par exemple sur des plans d'expérience, ou les designs adaptatifs) permet un développement de meilleures solutions et dans un temps plus court.

Collaborations recentes

"Nicolas est un expert de référence. Son approche pratique et centrée sur le consommateur, combinée à de solides compétences en statistiques, plans d'expérience et modélisation, lui permettent de proposer des solutions pertinentes afin de répondre aux attentes des clients.

Son expertise en IA est également très appréciée pour faire avancer les initiatives de notre entreprise."

"Recommandé par SensoStat, Nicolas a joué un rôle déterminant pour nous aider à développer nos connaissances sur l'un de nos produits. Il nous a guidés avec expertise afin de mettre en place une série de plans d'expérience pour collecter des données dans les meilleures conditions. Basé sur ces données, le modèle qu'il a développé nous a permis de prédire avec précision les propriétés du produit et d'assurer une qualité constante, améliorant véritablement notre processus d'amélioration produit."

"Nous avons initié une collaboration avec DataInsight pour développer un modèle prédictif avancé permettant de prévoir le nombre de séances de détatouage laser en fonction des caractéristiques du patient et du tatouage. Basée sur des données historiques soigneusement collectées par Riviera Clinic, l'approche développée par Nicolas a permis d'identifier les paramètres les plus influents ainsi que leurs mécanismes d'interaction.
Le modèle prédictif résultant a démontré une amélioration significative par rapport aux standards existants et vient d'être publié dans une revue scientifique à comité de lecture."

Mon parcours / expertise

Je suis Nicolas Pineau, ingénieur en agroalimentaire et en sciences de l'alimentation de formation (et amoureux de la bonne cuisine !). J'ai évolué rapidement vers le monde de la donnée, la science des données et l'IA. J'ai commencé ce parcours "data-driven" avec un doctorat en sensométrie (science des données appliquée aux études sensorielles et consommateurs), et j'ai toujours gardé ce cap "numérique" depuis.

Mon parcours académique est principalement centré sur des applications en sensométrie, tels que la cartographie des préférences, la performance des panels d'analyse sensorielle, la dominance temporelle des sensations et les méta-analyses et données consommateurs (plus de détails sur certains articles et autres activités scientifiques ci-dessous).

Sur le plan industriel, j'ai travaillé pendant 16 ans chez Nestlé Research, en Suisse, en promouvant les bonnes pratiques de gestion des données pour valoriser les données internes (data office), en contribuant à la définition des normes ISO, en construisant de nombreux plans d'expériences et modèles prédictifs pour le développement de produits, en développant des collaborations académiques pour les développements méthodologiques, ainsi que des partenariats stratégiques avec d'autres industries et start-ups pour tirer parti des capacités externes et améliorer les compétences internes. Parmi mes principales contributions, j'ai mis en place un écosystème de données pour l'analyse sensorielle et les tests consommateur (plus de 200 utilisateurs, impact sur toutes les catégories de produits), de la collecte et de la curation des données jusqu'à la création de tableaux de bord et de modèles l'analyses spécifiques à ce domaine, afin d'accélérer les projets de recherche de la compagnie. J'ai également dirigé pendant plusieurs années le réseau "Data Science R&D" (environ 50 personnes), favorisant les interactions entre les professionnels de la donnée de divers horizons et les dirigeants de l'entreprise, et promouvant l'utilisation de nouvelles technologies telles que le traitement du langage naturel (Natural Language Processing) et les graphes de connaissances (Knowledge Graphs) pour accélérer l'innovation grâce à l'analyse des commentaires des consommateurs.

J'ai ensuite déménagé aux États-Unis pour travailler chez Archer Daniels Midland (ADM) en tant que directeur R&D IA. Dans ce rôle, j'ai défini les principales directions à considérer, puis j'ai proposé et dirigé le plan d'action de l'IA pour la R&D. Dans ce cadre, j'ai pu promouvoir l'utilisation de l'IA pour diverses applications, telles que l'utilisation de LLMs (Large Language Models) connectés aux données internes pour exploiter les connaissances de l'entreprise, le transfert des techniques d'IA générative à la formulation de produits, ou l'approfondissement de la maitrise de techniques de simulations de dynamique moléculaire pour développer de nouveaux produits plus efficacement. A ce premier rôle est venu s'ajouter celui de Data Officer, via lequel j'ai proposé un cadre général pour gérer toutes les données R&D de ADM selon une approche modulaire, tout en assurant une sécurité optimale des données.

Activités scientifiques

Sélection d'articles publiés dans des journaux scientifiques internationaux (parmi plus de 30 publications)

• Menozzi, C., Pineau, N. (2025). A new predictive model for tattoo removal: leveraging patient and tattoo characteristics, Journal of Cosmetic Dermatology (in press). – application en dermatologie. lien
• Lawlor, B., Bavay, C., Van Hout, D., McEwan, J., Dreyfuss, L., Labbe, D., Groeneschild, C., Marcelino, A.S., Rason, J., Worch, T., Piqueras-Fiszman, B., Lê, S., Pochart, N., Mehring, P., Pineau, N. (2025). Digitalization in sensory and consumer science – summary perspectives from presentations at the 15th Pangborn sensory science symposium. Food Quality and Preference, 124, 105372 – article d'opinion
• Antille, N., Audoubert, F., Camilleri, M., Grain, M., Rytz, A., Pineau, N., Mahieu, B. (2024). Comparison of check-all-that-apply to collect reasons for liking and disliking chocolates in preference mapping. Food Quality and Preference, 117, 105171 – comparaison de méthodes impliquant des éléments de Natural Language Processing
• Moser, M., Lepage, M., Pineau, N., Rytz, A. (2020). Is statistical power necessary to quantify the impact on study conclusions of moving from two to one assessment? Food Quality and Preference, 79, 103651 – débat d'experts
• Pineau, N., Moser, M., Rawyler, F., Lepage, M., Antille, N., Rytz, A. (2019). Design of experiment with sensory data: A pragmatic data analysis approach Journal of Sensory Studies, 34(2), e12489 – article de référence pour définir les standards internes à l'entreprise
• Perrot, M., Pineau, N., Antille, N., Moser, M., Lepage, M., Thaler, T., Voirin, A., Rytz, A. (2018). Use of multi-market preference mapping to design efficient product portfolio. Food Quality and Preference, 64, pp. 238-244 – article de référence pour définir les standards internes concernant l'analyse des données de preference mapping
• Rytz, A., Moser, M., Lepage, M., Mokdad, C., Perrot, M., Antille, N., Pineau, N. (2017). Using fractional factorial designs with mixture constraints to improve nutritional value and sensory properties of processed food. Food Quality and Preference, 58, pp. 71-75 – proposition d'une nouvelle méthode de plans d'expériences
• Robin, F., Heindel, C., Pineau, N., Srichuwong, S., Lehmann, U. (2016). Effect of maize type and extrusion-cooking conditions on starch digestibility profiles. International Journal of Food Science and Technology, 51(6), pp. 1319-1326 – procédé d'extrusion dans le domaine alimentaire
• Lepage, M., Neville, T., Rytz, A., Schlich, P., Martin, N., Pineau N. (2014). Panel performance for Temporal Dominance of Sensations. Food Quality and Preference 38, pp. 24-29 – données temporelles: méthode avancée
• Labbe, D., Pineau, N., Martin, N. (2013). Food expected naturalness: Impact of visual, tactile and auditory packaging material properties and role of perceptual interactions. Food Quality and Preference, 27(2), pp. 170-178 – discussion sur le concept de la "naturalité"
• Pineau, N., de Bouillé, A., Lepage, Lenfant, F., Schlich, P., M., Martin, N., Rytz, A. (2012). Temporal Dominance of Sensations: What is a good attribute list? Food Quality and Preference, 26(2), pp. 159-165 – article de référence concernant la méthode TDS (+100 citations)
• Robin, F., Dubois, C., Pineau, N., Schuchmann, H.P., Palzer, S. (2011). Expansion mechanism of extruded foams supplemented with wheat bran. Journal of Food Engineering, 107(1), pp. 80-89 – procédés alimentaires
• Meyners, M., Pineau, N. (2010). Statistical inference for temporal dominance of sensations data using randomization tests. Food Quality and Preference, 21(7), pp. 805-814 – travail théorique sur les approches par randomisation
• Ross, A.B., Pineau, N., Kochhar, S., (...), Beaumont, M., Decarli, B. (2009). Validation of a FFQ for estimating whole-grain cereal food intake. British Journal of Nutrition, 102(11), pp. 1547-1551 – étude basé sur des questionnaires de consommation alimentaire
• Pineau, N., Schlich, P., Cordelle, S., (...), Etiévant, P., Köster, E. (2009). Temporal Dominance of Sensations: Construction of the TDS curves and comparison with time-intensity. Food Quality and Preference, 20(6), pp. 450-455 – article fondateur de la méthode TDS (+400 citations)

Chapitres de livres scientifiques

• Schlich, P., Pineau, N. 2017. Temporal dominance of sensations, in Time-Dependent Measures of Perception in Sensory Evaluation . pp. 283-321. Woodhead publishing, WPF 274, ISBN: 978-178242258-7, 978-178242248-8
• Pineau, N., Schlich, P. 2015. Temporal dominance of sensations (TDS) as a sensory profiling technique, in Rapid Sensory Profiling Techniques and Related Methods: Applications in New Product Development and Consumer Research pp. 269-306. Wiley Blackwell, ISBN: 978-111899168-8, 978-111899162-6

Autres activités scientifiques

• Consultant en Machine Learning & stratégie IA, analyse sensorielle et tests consommateurs, Plans d'expériences, Data Science
• Orateur invité au congrès internationaux Pangborn 2023, FlavorCon 2024, et MarkLogic World 2025
• Président du comité d'organisation de l'édition Agrostat 2016 and président du comité scientifique en 2022
• Président du groupe agro-industrie et méthodes statistiques de la Société française de Statistiques (2017-2023)
• Prix du “Generative AI expert of the year 2024” par Progress