Bania RABIA

– Conception et pilotage de bout en bout d'un pipeline RAG multi-LLM, depuis l'analyse du besoin métier jusqu'à la mise en production, ayant réduit de 60% les tickets manuels de support SAP. – Développement de la solution backend en FastAPI et intégration de GPT-40 Mini via prompt engineering afin d'améliorer la pertinence et la précision des réponses. – Implémentation d'un moteur de recherche sémantique basé sur Qdrant (vector search), incluant l'indexation et la mise à jour automatisée des données. – Industrialisation et déploiement de la solution via Docker et CI/CD GitLab, avec mise en place du monitoring pour garantir fiabilité, disponibilité et maintenabilité. – Évaluation et amélioration continue des performances du pipeline à l'aide de métriques (Exact Match, F1-score, Recall@k, MRR) sur un dataset de référence. – Cadrage fonctionnel et pilotage du projet IA, visant l'automatisation du traitement des emails critiques AOG, de l'analyse des besoins métiers à la mise en production. – Conception et développement d'une solution GraphRAG, combinant raisonnement sur graphe et récupération de connaissances pour l'analyse des demandes et la prise de décision. – Modélisation d'une base de connaissances graphique avec Neo4j, représentant les relations entre pièces, compagnies, fournisseurs, droits et règles métier. – Automatisation de la mise à jour des données (prix, disponibilités, autorisations) afin de garantir la fiabilité, la cohérence et la robustesse du système.

– Transcription et détection de speakers en temps réel: développement d'un modèle Speech-to-Text français from scratch basé sur CNN, RNN et Self-Attention; déploiement sur GCP avec GKE; architecture microservices Kafka/FastAPI/React; pipeline CI/CD GitLab automatisé avec Docker et Kubernetes; intégration de l'API OpenAI pour génération automatique de comptes rendus. – Prédiction météorologique temps réel: mise en place d'un pipeline de données avec Kafka et Spark Streaming (données HD Rain); traitement et analyse de séries temporelles; expérimentation et comparaison de modèles LSTM (Deep Learning) et ARIMA (statistique) pour prévision courte durée. – Prédiction de l'affluence des vélos à Chicago: préparation et transformation de données historiques sur Azure Databricks; entraînement et optimisation de modèles supervisés (XGBoost, Random Forest); structuration des pipelines avec Kedro pour scalabilité et reproductibilité; suivi des expérimentations via MLflow; déploiement du modèle final sous forme d'API containerisée Docker.

– Automatisation du suivi des échanges clients : réduction du temps de consultation de plusieurs heures à ~2 minutes grâce à des pipelines industrialisés. – Conception de pipelines ETL robustes (Python, Pandas, SQL → MySQL) assurant la qualité et la disponibilité des données pour de futurs cas d'usage ML/BI. – Mise en place d'une architecture automatisée et scalable pour la gestion de la production anticipant les bonnes pratiques MLOps (data pipelines reproductibles, monitoring, CI/CD possible). – Développement d'une application Django connectée à la base pour exposer les KPIs aux métiers.