Dibi Maiga

• GenAI & RAG : Conception d'un chatbot réglementaire (API Gemini, architecture RAG two - pass : sélection de documents puis génération de réponse avec contexte complet); • Sécurisation : Migration de la clé API et des prompts vers une Cloud Function Firebase (onCall, secrets, auth check); • Frontend : Interface React (Tailwind, DaisyUI, react - i18next) avec sidebar NotebookLM - style, preview documents, badges sources; • SRP : parent gère le state, enfants purement présentationnels.

🤖 PROJET 1 : Modélisation prédictive du glissement dans le laminage Problématique : Le glissement (différence de vitesse entre le cylindre et la bande d'acier dans une cage) était prédit par un modèle physique datant des années 1980, qui s'avérait particulièrement imprécis sur une cage de finition. Conséquence : produits non conformes (erreurs d'épaisseur et de largeur de la sortie de la cage). Objectif : Améliorer la prédiction du glissement, avec la contrainte de traduire le modèle en équations simples (Fortran) pour un déploiement industriel. Pile technique détaillée : Plateforme : KNIME Analytics Platform (workflows visuels) Source de données : SAP BI (77 variables, 33 346 observations sur 3 mois) Langages : Python intégré à KNIME (pour certains nœuds) Bibliothèques ML : scikit-learn (via les nœuds KNIME) Modélisation progressive 🔹 Étape 1 : Modèle traduit (référence) Correction du biais du modèle actuel : y_biased = y + mean(errors) Enseignement clé : toujours commencer par l'approche la plus simple 🔹 Étape 2 : Modèle naïf Prédiction = moyenne de la variable cible (globale, puis par groupe d'acier) 🔹 Étape 3 : Régression linéaire 🔹 Étape 4 : Régressions pénalisées Résultats finaux : ✅ Amélioration par rapport au modèle actuel : significative pour toutes les cages 📊 PROJET 2 : Application d'analyse de cadence en temps réel Le problème : L'équipe chargée des processus ne disposait pas d'une vue claire de la succession des bobines, des écarts de cadence et de l'identification rapide des goulots d'étranglement dans la production. Ma solution : Développement d'une application web interactive à partir de zéro à l'aide de Shiny pour Python. Ingénierie des données : Pré-traitement : formatage, traitement des valeurs manquantes, ingénierie des fonctionnalités Mappage des dictionnaires Impact : ✅ Identification instantanée des sources de divergences (contre plusieurs heures manuellement) ✅ Visualisation globale ET détaillée de la production

Analyses Statistiques Complexes: Traitement et analyse données fNIRS application corrections multiples (Bonferroni, FDR) pour identifier corrélations significatives Visualisation Données Avancée: Création visualisations 3D interactives pour représentation connectivité cérébrale, facilitant interprétation par équipes médicales Documentation & Procédures: Création documentation complète permettant réplication analyses par futures équipes