Asmaa MAKMOUK

Mise en œuvre et évaluation de plusieurs approches LLM pour l'analyse automatisée des retours clients (CamemBERT, Mistral, fine-tuning GPT-3.5 vs. baseline few-shot GPT-4). Réduction du traitement manuel de 70%, atteinte d'une précision de classification de 92% sur plus de 50 000 retours mensuels. Conception de systèmes RAG multi-modaux, accélérant la récupération de documents d'un facteur 5 et permettant aux équipes de traiter 3× plus de projets avec 99% de précision des données. Développement de modèles prédictifs (XGBoost, Transformers) pour la prévision du comportement des consommateurs, atteignant 85% de précision et améliorant le ROI marketing de 15%. Construction de pipelines MLOps automatisés, réduisant les cycles de déploiement de 2 semaines à 3 jours et diminuant les coûts cloud de 25%. Optimisation des LLM (quantification, surveillance de l'équité), obtenant une inférence 40% plus rapide, des modèles 20% plus petits, et une amélioration de l'équité algorithmique.

Construction de pipelines de données évolutifs pour la surveillance environnementale : –30% de traitement manuel, analyses de la qualité de l'air en temps réel. Application de techniques de clustering (K-means, HC) pour détecter les schémas de pollution : +20% de détection d'anomalies. Conception d'infrastructure AWS (S3, EC2) : –25% de coûts de stockage, amélioration de l'accessibilité des données. Développement d'applications LLM pour l'analyse d'enquêtes : –40% de temps d'analyse, meilleures informations sur la santé et le confort. Identification de profils de pollution permettant des interventions : –35% des niveaux de polluants dans les zones à haut risque. Recommandations déployées dans plus de 15 installations, améliorant la qualité de l'air de 28%.

Réalisation d'évaluations de la qualité de l'air dans plus de 500 établissements scolaires, améliorant la détection des bâtiments non conformes de 35 %. Développement de modèles de prédiction du CO2, de détection d'anomalies et de clustering, réduisant les faux positifs du diagnostic QAI de 40 %. Automatisation de l'interprétation des rapports techniques à l'aide de LLM basés sur GPT, réduisant le temps d'analyse manuelle de 70 %. Développement d'un pipeline de données end-to-end (Python, SQL, Airflow, Docker), augmentant la cohérence des données de 30 %. Conception d'un système de scoring QAI adopté par plus de 50 collectivités locales pour prioriser les interventions. Création de tableaux de bord Power BI permettant le suivi en temps réel de la QAI et des réponses plus rapides aux alertes de seuils.

Développement de modèles de régression, forêts aléatoires et XGBoost pour optimiser la logistique et améliorer les prévisions de stocks (+15 % de précision). Réduction de 20 % des ruptures de stock grâce à l’intégration de modèles prédictifs dans le processus de gestion. Création d’un tableau de bord interactif sous Tableau pour le suivi en temps réel des ventes et l’analyse des tendances du marché. Contexte : SOTRADIHI, leader régional en matériel de construction, droguerie et équipements pour la maison, souhaitait moderniser ses processus logistiques et mieux anticiper les besoins de ses clients.