Anas Rabhi

Data Scientist et ingénieur IA freelance, j'accompagne les entreprises qui veulent intégrer l'IA dans leur quotidien. Mon travail, c'est de prendre un besoin métier et de le transformer en solution qui fonctionne : systèmes RAG, agents IA, NLP, automatisations et IA générative en entreprise. En pratique, ça donne des projets comme l'automatisation de réponses à des appels d'offres dans le BTP (75% de temps économisé), la génération de rapports de sinistre en assurance, l'extraction de données depuis des documents complexes, ou des assistants IA internes pour des usines de production. Je porte aussi Tensoria (https://tensoria.fr), une agence IA qui accompagne les PME et ETI de l'audit stratégique au déploiement, et j'ai créé Heeya (https://heeya.fr), une plateforme chatbot IA clé en main pour déployer un assistant sur n'importe quel site en quelques minutes. Retours d'expérience terrain et cas d'usage concrets sur mon blog ianas.fr.

Consultant Data Scientist - Spécialiste IA Générative & NLP | PredExIA Intervention en tant que Lead Data Scientist pour concevoir, développer et industrialiser des solutions d'IA innovantes pour un portefeuille client diversifié (grands groupes et startups). Fort accent sur l'application de l'IA Générative et du NLP pour résoudre des problématiques métier complexes. + de 10 clients accompagnés. Projets d'IA Générative (LLM, RAG, Agents) : • Pilotage & Architecture : Direction technique de projets GenAI, incluant la définition de l'architecture (choix des LLMs, bases vectorielles, orchestrateurs type LangChain). • Systèmes RAG Performants : Conception, implémentation et optimisation de pipelines RAG pour des applications nécessitant l'accès à des connaissances externes ou privées (réduction de latence, amélioration du retrieval). • Solutions Conversationnelles & Agents : Développement de chatbots avancés et d'agents IA capables d'interagir, de raisonner et d'agir (ex: automatisation de process pour e-commerce, aide à la rédaction pour appels d'offre). • Déploiement & Monitoring : Mise en place de l'infrastructure de déploiement (API Flask/FastAPI, conteneurs Docker) et gestion sur plateformes cloud (AWS) pour assurer la scalabilité et la maintenabilité des solutions. • Veille Technique : Maintien d'une veille technologique pointue sur les dernières avancées en NLP et IA Générative. Applications NLP & Machine Learning : • Analyse Sémantique & Tendances :Création d'outils d'analyse de corpus textuels : résumé automatique pour la veille, extraction de thèmes clés (LDA, LSI), classification et clustering via embeddings. • Adaptation de Modèles : Fine-tuning de modèles pré-entraînés (BERT, etc.) pour des tâches spécifiques (POS tagging, analyse de sentiment, etc.) et évaluation rigoureuse.

Modélisation prédictive en Assurance Santé | Prévention du churn & Détection de Fraude Développement et déploiement de solutions de Machine Learning pour réduire l'attrition des adhérents et lutter contre la fraude pour les mutuelles de santé. Projet prédiction de churn : Fondation Données :Constitution d'un jeu de données spécifique par extraction et transformation de données de prestations santé. Ciblage Précis :Mise en place d'un suivi quotidien pour définir avec exactitude la population ayant résilié (cible du modèle). Modélisation & Évaluation :Développement de modèles de classification (XGBoost, CatBoost, Régression Logistique) pour prédire le risque de départ, en s'appuyant sur une veille technologique des méthodes existantes. Projet détection de Fraude & Industrialisation : Ingénierie Pipeline Données :Conception et optimisation des flux de traitement de données avec Pandas et PySpark. Préparation Données :Réalisation d'opérations de nettoyage et d'ingénierie de features pour maximiser la qualité des données d'entrée. Modélisation Anti-Fraude :Création de modèles ML (Random Forest, XGBoost, CatBoost) entraînés à identifier les comportements frauduleux. Mise en Production :Déploiement des modèles via Docker et exposition via des API FastAPI. Collaboration client & gestion de projet (Fraude) : Cadrage Besoin :Animation d'ateliers clients pour définir les exigences précises de détection de fraude. Suivi & Reporting :Communication proactive des résultats, des schémas de fraude identifiés et des parades mises en place lors des points de suivi. Support Analytique :Fourniture d'analyses ad-hoc pour répondre aux interrogations des clients sur les fraudes détectées. Technologies utilisées: Pandas, PySpark, Scikit-learn, XGBoost, CatBoost, Logistic Regression, Random Forest, Docker, FastAPI.

Projet d'Analyse et de Modélisation pour la Détection d'anomalies Pilotage et réalisation d'un projet visant à exploiter les données pour identifier des comportements anormaux et des signaux faibles via une approche data-driven. Infrastructure & préparation des données : Mise en place d'un pipeline ETL (Talend) pour assurer la collecte et la qualité des données en entrée. Exploration & Monitoring :Analyse détaillée des jeux de données (R, Pandas) et développement d'un tableau de bord interactif (Power BI) pour le suivi des indicateurs et la visualisation des patterns. Développement de la solution de détection : Conception et implémentation d'un modèle spécifique à la détection d'anomalies dans les séries temporelles, utilisant des librairies statistiques avancées (Python, statsmodels). Capacités Prédictives : Enrichissement de l'analyse par le développement de modèles prédictifs complémentaires (Python, scikit-learn) pour une meilleure anticipation. Technologies maîtrisées :Talend, Power BI, R, Python, scikit-learn, statsmodels, Pandas.