Awais Hussain SANI

Lead AI / AI Platform Engineer — RAG, Agentic AI & LLMOps AI Assistant / Copilot Engineering — Microsoft Azure AI Foundry • Conçu et développé un assistant IA / copilot de niveau entreprise avec Microsoft Azure AI Foundry, en traduisant les besoins métier en un cas d’usage agentique clairement défini, avec des capacités, périmètres, sources de données et critères de succès explicitement établis. • Développé une couche de connaissances Retrieval-Augmented Generation (RAG) avec Foundry IQ, intégrant les documents de l’organisation dans une base de connaissances contrôlée et validant le contenu indexé afin de garantir des réponses fiables et grounded. • Configuré et intégré les modèles de langage, sources de connaissances, outils et instructions de l’agent afin de permettre des réponses contextualisées et un comportement orienté vers l’exécution de tâches métier. • Mis en œuvre des mécanismes de sécurité et de gouvernance IA, incluant les filtres de content safety, des guardrails personnalisés, la détection des prompt injections, la validation de la groundedness, la détection des données sensibles, les blocklists et les mécanismes d’escalade. • Mis en place un framework structuré d’évaluation pré-production, avec création de jeux de données d’évaluation et analyse des campagnes d’évaluation afin de valider la qualité des réponses, leur grounding, la sécurité et leur conformité aux exigences métier avant la mise en production. • Déployé l’agent en production et configuré les contrôles RBAC ainsi que les permissions liées à l’identité de l’agent, afin de garantir un accès contrôlé aux ressources et aux bases de connaissances de l’entreprise. • Mis en place la traçabilité, le monitoring et l’observabilité opérationnelle afin de suivre le comportement de l’agent, identifier les incidents et soutenir l’amélioration continue après le déploiement. • Défini un modèle opérationnel pour l’assistant IA, couvrant la gestion du cycle de vie de la base de connaissances, la scalabilité, l’optimisation des coûts, le monitoring et l’évaluation continue. • Appliqué les principes d’AI Engineering en environnement Enterprise sur l’ensemble du cycle de vie : définition du cas d’usage → préparation des connaissances → développement de l’agent → guardrails → évaluation → déploiement → monitoring → amélioration continue. • Accompagné les équipes techniques dans les choix d’architecture, les bonnes pratiques Agentic AI et l’industrialisation des workflows GenAI. Enterprise AI Agent — Microsoft Foundry & Databricks Genie via MCP • Conçu et développé un agent IA d’entreprise sur Microsoft Foundry, intégrant Databricks Genie via le Model Context Protocol (MCP) afin de permettre une interaction en langage naturel avec les données d’entreprise. • Conçu l’architecture de bout en bout du workflow agentique, couvrant le déploiement du LLM, l’intégration des outils MCP, les instructions d’utilisation des outils, la gestion des identités et des accès, l’évaluation, le déploiement en production et le monitoring. • Intégré Databricks Genie comme outil MCP, incluant la configuration de la connexion MCP, le consentement OAuth, la validation des schémas des outils et la sécurisation des accès aux données d’entreprise lors de l’exécution. • Défini les instructions et politiques d’utilisation des outils au niveau de l’agent, afin de garantir une invocation appropriée de Databricks Genie et de générer des réponses conformes aux scénarios métier et aux principes de protection et d’exposition des données. • Conçu les mécanismes d’identité et de contrôle des accès selon les exigences enterprise, notamment la gestion des RBAC pour les connexions MCP de production et l’authentification sécurisée entre l’agent et les services Databricks. • Mis en place un framework systématique d’évaluation LLM, basé sur des jeux de données représentatifs et des campagnes d’évaluation, afin de valider le comportement de l’agent, l’utilisation des outils, la qualité des réponses et les éventuelles régressions entre les versions. • Préparé l’agent pour un déploiement en production, en prenant en compte la scalabilité, le rate limiting, les stratégies multi-régions, la reprise après sinistre, les mécanismes de fallback et la mise en place de runbooks opérationnels. • Implémenté la traçabilité et le monitoring des workflows agentiques afin de suivre l’exécution des agents et de diagnostiquer les incidents en production, notamment les erreurs transitoires, les mécanismes de retry et les phénomènes de dégradation silencieuse. • Conçu des stratégies de résilience pour les workloads MCP/GenAI en production, incluant les mécanismes de retry, la gestion des erreurs, les stratégies de fallback et le monitoring opérationnel afin de garantir la fiabilité et la continuité du service. Enterprise RAG & Agentic AI Knowledge Platform — Google Cloud / Vertex AI Python · GCP · Vertex AI · Gemini · BigQuery · Cloud SQL/pgvector · Google ADK · Cloud Run · Dataflow • Conçu et implémenté une architecture Enterprise RAG de bout en bout sur GCP, intégrant Vertex AI/Gemini, BigQuery, Cloud SQL/pgvector et Google ADK pour la recherche de connaissances et les workflows agentiques. • Développé des pipelines de traitement de données basés sur les LLM pour la transformation documentaire, le chunking, la génération d’embeddings et la recherche sémantique avec BigQuery ML et Vertex AI, avec pgvector/HNSW pour optimiser le retrieval vectoriel. • Développé un agent RAG basé sur Gemini et Google ADK avec function/tool calling, permettant de générer des réponses grounded à partir des connaissances d’entreprise récupérées dynamiquement. • Conçu des patterns de déploiement et d’ingestion orientés production sur GCP avec Cloud Run et Dataflow, en privilégiant la scalabilité, le faible temps de réponse et la mise à jour continue de la knowledge base. Project Leadership & Team Mentoring • Piloté la stratégie de recherche et dirigé une équipe pluridisciplinaire de chercheurs et d’ingénieurs en IA afin de concevoir et de déployer des solutions basées sur des modèles génératifs de niveau production pour des partenaires industriels et académiques de premier plan (Total, L’Oréal, HEC). Défini la feuille de route technique, arbitré les compromis d’architecture et validé la préparation finale des pipelines avant leur mise en production. • Rédigé une documentation technique couvrant les architectures d’agents, les procédures de déploiement, les pipelines d’évaluation et les bonnes pratiques opérationnelles afin de faciliter le transfert de connaissances et de garantir la maintenabilité.

Développement de modèles de Machine Learning pour données textuelles et structurées • Optimisation de modèles NLP : Amélioration des performances des modèles de classification de texte, de modélisation thématique (Topic Modeling) et d'analyse de sentiments pour les données de requêtes et d'avis clients d'Alcatel. • Feature Engineering & Pipelines : Conception et mise en œuvre de pipelines robustes de prétraitement de données et d'extraction de caractéristiques (feature engineering) à l'aide de spaCy, NLTK, Gensim, regex . • Gestion du déséquilibre des classes (Imbalanced Data) : Résolution des problématiques de déséquilibre des classes au sein des jeux de données via l'application de techniques d'échantillonnage . • Explicabilité des modèles (XAI) : Utilisation des frameworks LIME et Anchor pour interpréter les prédictions de modèles complexes et fournir des analyses d'IA explicable. • Traitement & Ingénierie des données : Maintenance et traitement des données d'erreurs de ligne d'Alcatel issues de bases de données MySQL, incluant un nettoyage avancé et du feature engineering. • Analyse comparative (Benchmarking) : Évaluation et comparaison de différentes architectures de Machine Learning et de Deep Learning (Scikit-learn, TensorFlow, PyTorch) afin d'optimiser les performances sur les jeux de données Alcatel.

• Design an external interface based on PCIe Gen3, DDR4, axi data mover on Xilinx UltraScale+ FPGA to transfer data between HoMADE (https://sites.google.com/site/homadeguide/) on FPGA and Host PC. • Develop Application Programming Interface (API) using C++ and Python for both Windows and Linux OS in order to transfer data from Host PC to FPGA. • Designing a Parallel architecture of multiple HoMADEs (MPPoD) for implementing computationally intensive algorithms at improved runtime.

Designing mapping tool for embedding multi-rate FEC algorithms for 3G or LTE or Wi-Fi standard on Parallel Architecture

Designing architecture for mapping telecommunication algorithms on Parallel Heterogeneous Architecture

Modeling and implementation of different signal processing blocks in Higher Level Language Simulate whole heterogeneous system based on analog and digital components using SystemC and SystemC-AMS to measure sensor node performance.

Installation & testing of different telecommunication equipments used for WLAN, WiMAX and for different telephonic and broadband Services

I worked on the installation and commissioning of Optical Fiber Cable (OFC) to provide broadband and control services to oil refinery. Using this OFC, refinery can control different pipelines that are used to transport oils in different parts of the country.