Achraf EL BITI

- Identification et intégration de sources de données multi-sources afin d’extraire des informations pertinentes sur les profils utilisateurs et leurs historiques d’interaction. - Conception de méthodes d’agrégation et de structuration de données hétérogènes pour rendre ces informations exploitables par un système de recommandation. - Développement d’approches d’extraction et de classification de contenus dans le cadre d’un moteur de recommandation multi-contenus. - Étude et mise en œuvre de solutions de stockage et d’indexation de contenus, notamment via des représentations adaptées à des bases vectorielles. - Contribution à l’adaptation d’algorithmes de recommandation en fonction de la nature des contenus et de leur compatibilité avec un contexte de conduite. - Réflexion autour de la transformation de contenus non directement adaptés à la conduite en formats consommables de manière sûre et fluide.

Automatisations de la détection et du suivi de chauves-souris en vidéos thermiques Fine-tuning et optimisation de modèles YOLOv8 (s/m) sur un pipeline complet pour automatiser le suivi écologique nocturne par drone, visant la mise en conformité réglementaire de parcs éoliens. Prétraitement et gestion de la HD : sélection de séquences riches, standardisation, annotation Roboflow et intégration de stratégie de Tiling (416x416) via SAHI pour détecter les très petits objets (<32x32 px) en haute résolution. Tracking Multi-Objets (MOT) : implémentation d'un tracker personnalisé pour maintenir la continuité des trajectoires rapid gérer le flou cinétique ainsi que l'intermittence des mouvements. Résultats & Déploiement : obtention d'un [email protected] de 94.78% (Precision: 89.32%, Recall: 92.96% en test réel) et livraison d'une application Streamlit pour l'analyse, la visualisation et l'export des résultats. Stack technique : Python, PyTorch, YOLOv8, SAHI, Optuna, Roboflow, Streamlit, OpenCV, Git.

Détection automatisée des informations douanières et fiscales Fine-tuning du modèle CamemBERT sur un corpus de 25 000 lignes SAP pour classifier automatiquement les achats (bien/prestation), avec 98 % de F1-score en test réel. Prétraitement complet : nettoyage de texte, standardisation, détection de bruit, correction d’abréviations, et ajout de tokens sémantiques → +10 % de gain sur la classe Prestation. Optimisation par Focal Loss (γ=2.0), suréchantillonnage, détection de 50+ cas ambigus via analyse des marges softmax (gap < 0.2). Livraison sous forme d’application : interface Streamlit packagée en exécutable, utilisée opérationnellement en mode pilote. Résultats : 11 erreurs sur 686 cas testés, temps d’analyse réduit de 68 %, amélioration de la conformité TVA de +21 %. Stack technique : Python, PyTorch, Hugging Face, scikit-learn, Streamlit, Power BI, SAP (Z_R_DOCACHAT).

• Développement d’une application web pour la gestion des partenariats • Analyse des besoins et des données de la direction • Utilisation des frameworks Laravel et Angular