Aina Kiki-Sagbe

AI Engineer — RAG & MCP Conception end-to-end de système RAG agentique avec MCP. Pipeline : 1. Détection d'injection de prompt 2. Cache sémantique Redis 3. Routage adaptatif par complexité 4. Sélection dynamique du modèle par rôle 5. Query Enhancement multi-stratégie : expansion, décomposition, HyDE 6. Self-Querying — extraction de filtres metadata 7. RAG-Fusion — génération de N variantes de requête avec fusion RRF 8. Recherche hybride : dense (pgvector HNSW) + sparse (PostgreSQL tsvector GIN) 9. Reciprocal Rank Fusion (RRF) — fusion dense/sparse par chunk_id 10. Reranking LLM — scoring individuel 0-10 par passage 11. MMR — diversification des résultats 12. Compression contextuelle 13. Évaluation du contexte avec reformulation 14. Génération avec prompt anti-hallucination 15. Masquage PII avant envoi LLM (emails, IBAN, CB, ...) 16. Détection de contradictions inter-sources 17. Vérification Self-RAG 18. Confidence Scoring & Abstention — score 0-1, refus si score faible 19. Cache write + double tracing + audit log 20. Pipeline versioning et reproductible Ingestion : - PDF, DOCX, PPTX, EPUB, CSV, HTML, OCR - Déduplication - Chunking contextuel : - Détection de structure - Retrieval chunks (enfants - précision, parents - contexte) - Contextual Chunking - Enrichissement metadata - Streaming par sections si docs volumineux - Micro-batch embedding avec libération mémoire - Invalidation de cache automatique à l'upload Évaluation & MLOps : - Framework RAGAS avec 12 métriques - Golden dataset - Génération de datasets d'évaluation - Drift detection - FinOps — coût par requête Double observabilité : - Langfuse v2 — données sensibles sur infra interne, RGPD - LangSmith — debug, replay, évaluations, LangGraph Studio - Chaque requête tracée avec 6 spans + 4 scores Abstraction multi-provider : - LLMProvider - EmbeddingProvider - RerankerProvider - Model Registry - Capability Router Génération de livrables : Word, PowerPoint, Excel, PDF, SVG, CSV/JSON Mémoire conversationnelle Sécurité LLM ---------- DATA & ML Platform Engineer – GPU Infrastructure & LLMaaS Conception et opération d'une plateforme GPUaaS / LLMaaS ciblant la recherche académique et les entreprises (Kubernetes, vLLM, Ray) • Infrastructure opérée avec 100+ GPU en production on-premise • Plateforme LLMaaS & GPU-as-a-Service - Serving vLLM (modèles open-weights Qwen, Llama, Mistral), endpoints OpenAI-compatibles - Orchestration multi-GPU et multi-node - Sessions GPU (VS Code, JupyterLab) avec pause/reprise - Lambda GPU serverless — exécution à la demande - SDK Python publiés sur PyPI (clouditia, clouditia-manager) - API REST d'intégration • Sécurité & souveraineté - Cloudflare Zero Trust + Authentik SSO - Autorisations fines, restrictions shell, anti-contournement - Vos workloads ne quittent jamais votre périmètre • MLOps & DevOps & GitOps - Kubernetes multi-master + Helm + ArgoCD - Registry Docker privé Harbor (MinIO S3 + skopeo/crane) - Observabilité : Prometheus, Grafana, Loki, Tempo - CI/CD GitHub Actions, Feature Store • FinOps - Réduction des coûts électriques via extinction auto des nœuds + réveil à la demande (WoL) - Mutualisation des services de base : DBaaS interne (PostgreSQL, MinIO S3) inclus - Longévité des GPU prolongée grâce au refroidissement optimisé et à la maintenance préventive

– Formations réalisées: https://itech14.com/courses/ – f1 Concevoir et Déployer une flask api puis l'envoyer sur Github – f2 Docker, GitHub & Déploiement Flask – f3_ci_cd_1_Heroku : Maîtrise la CI/CD moderne avec Heroku – f3_ci_cd_2_AWS : CI/CD sur AWS, DevOps (ECS, EKS, Lambda, Terraform, Ansible) – f4_DATA_ENGINEER (En cours) : Data Engineering GCP & AWS : ETL moderne, FastAPI Sécurisée – Partie 1 : Devenir Data Engineer – Préparer son Environnement et le Pipeline – Partie 2 : Extraction de Données Bitcoin – API, Pagination, Stockage Cloud – Partie 3 : ETL Cloud – Transformation, Chargement & BigQuery (GCP) – Partie 4 : Exposer, Sécuriser et Authentifier FastAPI – Partie 5 : Sécurité Avancée – contre Sniffing, HTTPS et Gestion des Clés – Partie 6 : Supervision & Monitoring du Pipeline de Données avec Prometheus & Grafana – Partie 7 : Orchestration et Automatisation avancée avec Airflow – Partie 8 : A suivre ...

Data Engineer : Formateur PYSPARK ET AZURE • PYTHON : Initiation nécessaire avant de passer à PySpark • PYSPARK : • Maîtriser les concepts fondamentaux d'Apache Spark et PySpark • Apprendre à manipuler et transformer des données à grande échelle • Comprendre l'architecture distribuée de Spark • Savoir optimiser les performances des applications Spark • Intégrer PySpark avec les services cloud (Azure) • Différents mode de connexion selon le type de conteneurs (HNS) ou (non HNS) • CLOUD AZURE blob : Initiation • Création de conteneurs (HNS) et (non HNS) • Création de clé et gestion des autorisations Ingénieur MLOps & IA : Projet ITS-P1 | Plateforme AIOPS - Détection Temps-Réel d'Attaques V2X Contexte: Détection d'attaques dans les réseaux véhiculaires intelligents sur de la big data. • Pipelines d’entrainement des modèles Deep Learning (CNN-LSTM) avec optimisation des jobs GPU et checkpointing pour ne pas perdre les temps d’entrainement GPU en cas de déconnexion GPU. • Suivi et gestion du cycle de vie des modèles via MLflow déployé sur une VM Azure : versioning de 5 modèles, plus de 270 expériences, sauvegarde des modèles, artéfacts, métriques, hyperparamètres, versioning des données, du feature engineering et du pré-processing, … • Gestion du surapprentissage pour garantir la robustesse des modèles et conception d’un modèle d’ensemble suite aux expérimentations, en vue de l’industrialisation. • Mise en place d’un pipeline d’auto-entraînement et de mise à jour du modèle d’ensemble. Formateur Machine Learning – Optimisation des temps de trajet des véhicules prioritaires.

– DATA ENGINEER : – Conception des specs avec le métier – Développement et gestion d'architectures de données pour supporter des analyses et des modèles. – Référent Dataiku : création de projets, automatisation via scénarios (run automatique mensuel). – Construction et maintenance de pipelines de données (Python, PySpark), pour le stockage. – Automatisation de scripts (SAS, batch, VBS) et migration vers Unix (Shell). – Déploiement du pipeline – Rédaction de documentation fonctionnelle, support et formation aux équipes internes. – Chef technique de projet et Management: définition, planification, attribution, suivi, reévaluation et priorité des tâches. – MACHINE LEARNING : – Scoring: EDA, traitement des valeurs manquantes et feature selection, Machine learning (Xgboost), – Evaluation des models et back testing – Technique de Classification sur variable déséquilibrée

– Reinforcement Learning : – Développement d'un système de recommandation basé sur l'apprentissage par renforcement (algorithme DQN) pour optimiser la valeur client long terme (LTV : Lifetime Value) – Implémentation d'un environnement e-commerce simulé avec 1000 utilisateurs et 500 produits, incluant modélisation du comportement d'achat – Architecture Actor-Critic (utilisé par AlphaGo et ChatGPT / PPO) avec replay buffer et target network pour apprentissage stable – Entraînement multi-GPU avec PyTorch DataParallel, reward shaping orienté business (CTR, conversion, revenue, rétention) – Tracking expériences MLflow : versioning des modèles, logging des hyperparamètres et métriques (reward, loss, latence), comparaison de plus de 15 runs d'entraînement pour sélection du best modèl – Courbe d'entraînement : +25% de récompense moyenne après 1000 épisodes, démontrant l'apprentissage de stratégies de recommandation optimales – MLOps Pipeline & PRODUCTION ( Vertex AI) : – Experiment Tracking : Vertex AI Experiments (équivalent MLflow ) – Vertex AI Model Registry : gestion versions production, rollback <2min – Pipeline MLOps complet : CI/CD automatisé, pytest – API FastAPI production (<50ms p95) : caching Redis, auth JWT, A/B testing, déploiement kubernetess K8s avec auto-scaling, monitoring Prometheus/Grafana – Serving de modèles en Production : chargement depuis le Model Registry, gestion des versions en production (v1.0-v1.7), rollback rapide en cas d'incident (<2 min) – Déploiement progressif (Rollout progressif) stratégique : déploiement initial sur 5% du trafic avec monitoring temps réel, scale-up progressif (5%→20%→50%→70% →100%) validé par métriques business et techniques – Observabilité production : métriques Prometheus, dashboards Grafana – RÉSULTATS & IMPACT BUSINESS : – Résultats : +7% de GMV (Valeur TOTALE des transactions sur la plateforme) – Amélioration significative des KPIs e-commerce : CTR +21%, conversion +19%, panier moyen +6,5%, rétention 30 jours +13% – Système stable en production servant 10K+ recommandations/jour avec feedback loop temps réel – Reproductibilité garantie: tous les modèles sont traçables via MLflow (hyperparamètres, métriques, artifacts, environnement)

– Migration de programmes (de SAS vers WPS, puis vers Python et R). – Réentraînement et optimisation des model statistiques pendant la migration (Machine learning) – Text mining (NLP), analyse et recodage automatique de texte. – Formateur de l'équipe interne sur du Machine Learning (Deep Learning, DBSCAN). – Chef technique de projet et Management : planification, attribution, suivi, et priorité des tâches.

– Classification automatique de signaux dans le secteur énergétique. – Extraction et transformation de données depuis Oracle (SQL, R). – Clustering (Classification non supervisée) et détection d'anomalies – Classification (supervisée) des signaux : bases train et test, EDA, ML avec Cross Validation – Conception mathématique et développement informatique d'un Algorithme de Machine learning pensé spécifiquement pour le sujet « sphère de vibration du noyau >> – Développement de scripts R pour la mise en production des modèles (Knn, Forêts aléatoires, SVM, etc.). – Minimisation des erreurs et sélection du meilleur modèle – Analyse des probabilités affectation et évaluation de la qualité des séries classifiées – Rédaction de rapports, présentation des résultats et mise en place de bonnes pratiques de code (Git).

– Conception et intégration d'un programme pour l'estimation automatique (Machine Learning). – Automatisation de processus (Unix Shell, Windows Batch). – Rédaction de rapports et présentation des résultats aux équipes. – Technique de d'inférence sur variable quantitative