Badii Mrad

• Conception et développement d’un chatbot intelligent multi-assistants basé sur une architecture RAG, destiné à accompagner les entreprises industrielles dans l’application de la réglementation européenne des machines. • Développement de systèmes de compréhension des demandes, de recherche documentaire hybride et d’orchestration de workflows, avec gestion du contexte conversationnel et des scénarios métier guidés. • Intégration de LLM pour l’analyse et la génération de réponses, évaluation de leur fiabilité et optimisation des performances. • Mise en place de tests automatisés et d’outils de diagnostic pour améliorer la qualité et la robustesse de la solution. Technologies : Python, FastAPI, OCR , LangChain, Qdrant, LLM (Mistral, Qwen), RAG, Embeddings, API REST, Git, CI/CD.

• Conception et développement d’une solution de Machine Learning pour automatiser l’inspection des distorsions thermiques sur des pièces aéronautiques. • Mise en place de pipelines Data Engineering sur AWS (Glue, Athena, S3) pour l’ingestion, la transformation et la préparation des données industrielles. • Industrialisation d’un pipeline ML complet : contrôle qualité des données, prétraitement, entraînement, validation, réentraînement et déploiement des modèles sur SageMaker. • Développement d’une application Streamlit pour visualiser les résultats de l'inférence avec la possibilité d'analyser les performances de modèles et analyser les variables influentes à l’aide d’algorithmes génétiques. • Intégration d’une solution d’IA générative basée sur les LLM et le RAG pour analyser les rapports de non-conformité et générer des rapports de causes racines. • Mise en place de pipelines CI/CD avec GitLab, Docker et tests automatisés pour garantir la qualité, la traçabilité et la reproductibilité des déploiements. Technologies : Python, PySpark, Pandas, SQL, AWS (Glue, Athena, S3, SageMaker, Bedrock), Scikit-learn, Machine Learning, LLM, RAG, Streamlit, Docker, GitLab CI/CD, Pytest.

• Conception et développement d’une solution de Computer Vision pour automatiser la détection et l’analyse des défauts sur les fuselages d’avions Airbus, dans le cadre d’un projet R&D. • Mise en place d’un pipeline de traitement d’images : collecte, annotation, prétraitement, normalisation, augmentation des données et préparation des datasets. • Développement et entraînement de modèles de Deep Learning (YOLOv7, CNN) pour détecter et localiser les éléments présentant des défauts. • Développement d’algorithmes d’analyse géométrique et de classification (KNN) pour identifier les anomalies à partir des motifs, distances et angles. • Utilisation de réseaux génératifs adversariaux (GAN) pour générer des images synthétiques et enrichir les jeux de données afin d’améliorer la robustesse des modèles. Technologies : Python, OpenCV, TensorFlow, Keras, CNN, YOLOv7, KNN, K-Means, GAN/DCGAN, Deep Learning, Computer Vision, GitLab CI/CD.