Djallel KERROUCHE

Ingénieur IA (RAG, LLM, agents) au sein d'un groupe pharmaceutique multinational. Conception de solutions IA de bout en bout (data → backend → frontend) sur quatre projets stratégiques. INFOMED — Assistant médical RAG (Full-stack): Backend FastAPI + LangGraph, frontend React. Interrogation de corpus médicaux/réglementaires avec citation automatique des sources. Pipelines ETL (ingestion, chunking, embeddings, indexation Azure AI Search). Architecture RAG multi-datasets config-driven avec injection dynamique de prompts. RBAC (JWT, OIDC, Azure AD). Persistance MongoDB. PlaiGround — Portail IA interne (Full-stack): Portail IA pour +5 000 utilisateurs. Architecture hexagonale FastAPI. Bases de connaissances RAG, benchmark pgvector/Qdrant/Pinecone. Cycle complet des assistants IA (création, configuration, tool calling, sécurité). Marketplace d'assistants réutilisables. SMCC — Smart Medical Content Checker: Vérification automatique de conformité médicale. Matching en deux niveaux : sémantique (Azure AI Search) + lexical (MongoDB). PDF annoté avec code couleur + JSON structuré. SPIC — Smart Product Information Comparison Comparaison de documents réglementaires SmPC (EMA/FDA). Pipeline OCR Mistral → harmonisation GPT-4o → diff HTML. Architecture async, Azure Blob, parallélisation asyncio. Gouvernance IA : Azure APIM AI Gateway, Terraform, CI/CD, AI Foundry, intégration Microsoft 365/Copilot. Stack : Python, FastAPI, LangGraph, LangChain, Azure AI Search, AI Foundry, APIM, MongoDB, Mistral OCR, GPT-4o, Docker, Terraform, React

Développeur IA full-stack au sein d'une startup IA & Data Science. Conception de plateformes d'agents intelligents et d'analyse de données, de la R&D à la production. SVP — Plateforme data (client) Plateforme d'analyse de données numériques, textuelles et sociales. Modèles ML/DL spécialisés NLP. Pipelines ETL data, extraction d'insights, classification. Plateforme d'agents IA (Full-stack): Développement frontend (React) + backend (Node.js, Python) + orchestration. Chatbots et assistants métiers personnalisés. Architectures multi-agents avec tool calling et reasoning multi-étapes. Solutions RAG (Qdrant, Pinecone, MongoDB). Pipelines NLP complets (cleaning, chunking, embeddings, classification, recherche hybride). RBAC et sécurisation des flux IA. Lexoria — Assistant juridique IA (Full-stack): Assistant droit du travail basé sur RAG + agents intelligents. Pipelines ETL juridiques : ingestion API Légifrance, structuration, chunking adapté au format légal. Orchestrateur avec routage intelligent (code du travail, conventions collectives, jurisprudence si litige). Réponses avec citations et liens cliquables vers sources officielles. Cron job de synchronisation. Validation avec experts (RH, avocat). En ligne : chat.lexoria.ai Architecture & Déploiement: APIs REST, microservices, CI/CD, Docker. Intégration full-stack Node.js/React. Architectures scalables et haute performance. Méthodologie Agile (Scrum). Stack : Python, FastAPI, LangChain, LiteLLM, Azure OpenAI, GPT-4o, Node.js, React, PostgreSQL, pgvector, Qdrant, Pinecone, MongoDB, Docker, CI/CD

Data Scientist au sein d'un institut public de recherche, dans le cadre du projet européen INUNDATIO visant à intégrer l'IA dans la gestion des risques naturels. Missions - Conception de modèles deep learning pour la prévision d'inondations (détection jusqu'à 3h à l'avance) - Développement et optimisation de modèles ML/DL sur séries temporelles (hydrologie, météo) Pipelines ETL sur données massives : ingestion pluviométrie, débits fluviaux, imagerie satellite ; nettoyage et transformation - Analyse exploratoire et feature engineering sur des données météorologiques hétérogènes -Expérimentation de plusieurs architectures (LSTM, CNN-LSTM) pour optimiser la précision des prédictions - Communication des résultats à des équipes internationales et institutions publiques -Contribution directe au projet européen INUNDATIO : livrables, rapports scientifiques, présentations Stack : Python, PyTorch, Keras, TensorFlow, Deep Learning, Séries temporelles, Big Data météorologiques

Data Analyst au sein d'un laboratoire de recherche spécialisé en ingénierie portuaire. Analyse et modélisation des flux logistiques à l'import/export pour plusieurs ports stratégiques. Missions : Modélisation des flux logistiques (phosphate, marchandises diverses) et élaboration de scénarios d'extension portuaire, certains mis en œuvre par de grands groupes industriels Développement d'outils de data science et modélisation prédictive pour anticiper la croissance des flux et optimiser la performance des terminaux Création de tableaux de bord décisionnels pour la planification et l'optimisation des infrastructures portuaires Coordination d'équipes pluridisciplinaires pour assurer la cohérence technique et stratégique des projets Stack : Data Science, modélisation prédictive, analyse de données, tableaux de bord décisionnels

Conception et développement d’un modèle mathématique d’optimisation pour planifier la flotte d’avions pendant la saison de pèlerinage. Prise en compte de contraintes complexes : disponibilité des avions, créneaux aéroportuaires, capacités de départ et d’arrivée. Résultats concrets : réduction significative du nombre de vols nécessaires et des sièges vides, atteignant un niveau optimal d’efficacité opérationnelle. Impact métier : amélioration de la rentabilité et meilleure allocation des ressources pour une période critique à forte demande.