Bouthaina Hamaissia

Conception et animation de formations intensives pour des professionnels : • IA générative et automatisation avec outils low-code/no-code : Une formation destinée à des professionnels et dirigeants d'entreprises, centrée sur l’utilisation de l’IA générative (ChatGPT, Midjourney, etc.) et des outils low-code/no-code (Make, n8n, Zapier) pour automatiser des tâches, améliorer la productivité et intégrer l’intelligence artificielle dans leurs processus métiers. • Python avancé pour le calcul scientifique : Un cours axé sur l'accélération des performances des scripts Python grâce à des techniques d'optimisation (ex. : décorateurs, mémoïsation), des outils avancés (Numba, Cython, CuPy) et des bibliothèques comme Dask pour le traitement parallèle et la gestion de données à grande échelle. • Python avancé pour Data Scientists : Conçu pour perfectionner les compétences des Data Scientists en Python, ce cours couvrait des techniques avancées de manipulation de données (NumPy, Pandas), de visualisation (Matplotlib, Seaborn, Plotly Dash), de gestion de bases de données (SQLAlchemy, Psycopg2), d'apprentissage automatique (Scikit-learn, TensorFlow, PyTorch) et d'utilisation de modèles de langage de grande taille (LLMs) avec Hugging Face pour des applications pratiques. • Fondamentaux de l'analyse statistique avec R : Un cours d'introduction à la programmation en R couvrant la manipulation de données, la programmation, la visualisation (ggplot2), l'analyse statistique (ex. : régression, ACP) et les bases de l'écosystème (RStudio, types de fichiers), adapté aux débutants en science des données et en analyse statistique. • Programmation Fonctionnelle : Un cours sur la programmation fonctionnelle appliquée aux données, avec un focus sur Scala et ses écosystèmes modernes. Le programme couvre les fondements du paradigme fonctionnel, le traitement de flux temps réel (Akka Streams), le machine learning avec Spark MLlib, et la programmation concurrente (Futures, Akka). Le cours intègre des cas pratiques et se conclut par un projet de bout en bout, utilisant des données en temps réel.

Dans le cadre d’un projet autour des plateformes agentiques, j’ai conçu un système modulaire d’agents autonomes pour la génération automatisée de diagrammes (type Draw.io) avec un MCP. L’objectif était d’évaluer les meilleures solutions du marché, de simuler des cas d’usage métiers réalistes, et de livrer des prototypes documentés et exploitables. • Évaluation stratégique et comparative des frameworks agentiques : Autogen, CrewAI, LangGraph • Conception d'agents IA pour la génération automatique de diagrammes via Draw.io (architecture MCP + LangGraph) • Intégration dans Cline • Mise en œuvre d’outils de traçabilité (Langfuse) • Rédaction de livrables techniques (fiches comparatives, guides d’implémentation, documentation d’API) Technologies : LangGraph, LangChain, FastMCP, Draw.io, Python, Git

• Développement d'un pipeline OCR-LLM pour transformer des PDF en modules e-learning : Extraction automatisée de contenu via OCR, structuration et enrichissement par LLM pour générer des cours interactifs et adaptés. • Mise en place d'une architecture RAG pour contextualiser et personnaliser les contenus pédagogiques : Utilisation de bases de connaissances de RAG et de Graph RAG pour produire des cours pertinents et dynamiques. • Technologies: Python, Tesseract, PaddleOCR, spaCy, LLM GPT 4.1, LangChain, ChromaDB, Neo4j, Streamlit, Git

Ce projet vise à créer un système innovant qui génère de petits films personnalisés où l'utilisateur, à partir de ses photos, devient le personnage principal du film, en utilisant des technologies d'IA telles que Stable Diffusion, associées à des techniques de vérification et d'amélioration de la qualité pour garantir des résultats cohérents et réalistes. • Analyse des méthodes existantes: Un état de l'art sur les techniques de vérification et de correction des images générées par Stable Diffusion a été réalisé. • Vérification de cohérence: Des méthodes ont été appliquées pour s'assurer que les images générées sont visuellement cohérentes et alignées avec les attentes. • Amélioration des images générées: Des stratégies innovantes ont été développées pour améliorer la qualité et la fiabilité des images produites, garantissant un rendu final réaliste et fluide.

J'ai été acceptée dans le programme d'incubation de startups en phase early-stage d'Antler VC, ce qui m'a permis de bénéficier d'un encadrement de haut niveau pour développer des projets innovants. • Collaboré avec des experts de l'industrie pour formuler des énoncés de problème, réaliser des recherches auprès des utilisateurs et valider les opportunités de marché. • Conçu un MVP pour une application éducative de formation et développement (L&D), mettant l'accent sur la génération collaborative de contenu et l'analyse de données avancée pour identifier les écarts de compétences et améliorer la performance des apprenants (technologies utilisées: Python, JavaScript, Angular, FastAPI). • Exploité RAG et LangChain avec le LLM Mistral 7b, combiné à du prompt engineering, pour développer des solutions performantes et adaptées aux besoins du projet. • Travaillé en collaboration avec des partenaires de capital-risque pour affiner la proposition de valeur, le product-market fit et la stratégie go-to market.

Le projet vise à développer un POC d'IA conversationnelle multimodale pour les sites e-commerce, où l'utilisateur peut sélectionner un article et décrire ce qu'il aimerait changer (ajouter, supprimer, modifier). Le système utilise cette description pour rechercher dans la base de données un article correspondant à la fois à l'article choisi et à la description fournie. • Réalisation d’un état de l'art sur les modèles multimodaux disponibles, en explorant leurs capacités à traiter des données visuelles et textuelles conjointement. • Collecte de données (interne & externe: via le web scraping à l'aide de Selenium, BeautifulSoup et requests). • Développement de solutions personnalisées pour le nettoyage, l'analyse, l'exploration et la visualisation de données (Python, Pandas, Numpy, Matplotlib, Seaborn). • Fine-tuning des modèles multimodaux de base (CLIP d'OpenAI, OFA & FashionVil de Meta) pour l'alignement des images et du texte afin de créer une IA conversationnelle (Pytorch, Transformers, NLTK, Hugging Face). • Développement d'une application web pour observer les performances de nos modèles, les évaluer et créer facilement des jeux de données (Flask, Angular, HTML, CSS). • Mis en place un système CI/CD via Git pour la gestion du versioning et Bitbucket pour l'intégration continue, permettant d'automatiser les tests et le déploiement du code dans un environnement de production. • Documenté de manière rigoureuse les processus et résultats, tant sur les aspects techniques que scientifiques.

Le projet se concentre sur le problème de la rareté des données (data sparsity) dans les systèmes de recommandation collaboratifs basés sur l'utilisateur. Ce défi se pose lorsque les interactions entre les utilisateurs et les articles sont limitées, rendant difficile l'élaboration de recommandations pertinentes. Pour y remédier, plusieurs techniques de réduction de dimensionnalité sont explorées, notamment à travers des méthodes avancées d'apprentissage automatique. • Créé, nettoyé et analysé des jeux de données, en préparant les informations pour le développement du système de recommandation. • Effectué une recherche bibliographique exhaustive sur les méthodes de réduction de dimensionnalité appliquées aux systèmes de recommandation. • Proposé des méthodes de réduction adaptées, en utilisant un auto-encodeur et une analyse en composantes principales (ACP), et développé un système de recommandation collaboratif basé sur l'utilisateur. (technologies : Python, Scikit-learn, Keras).