Elyes Yahyaoui

PRESCRIPTION AUTOMATION – Collecte et structuration des données clients (type de peau, type de cheveux, routines beauté) – Prétraitement des données pour garantir cohérence, pertinence et conformité – Personnalisation des recommandations selon les profils clients via pondération d’attributs, règles d’incompatibilité et calculs de scores de correspondance – Déploiement de modèles et automatisation des pipelines CI/CD • Mots-clés Python, GCP, Workflows, FastAPI, BigQuery, GenAI, Azure OpenAI, Github, CI/CD PRODUCT SERVICES PLATFORM – Construction de pipelines de transformation de données DBT (Bronze → Silver → Gold) et orchestration via Google Cloud Workflows avec exécution parallèle et planification automatisée – Développement d’un connecteur GenAI pour enrichir les métadonnées produits via injection de graphes, traitements par lots et pipelines de validation – Mise en place d’un cadre d’évaluation MLflow avec métriques LLM-as-judge (pertinence, couverture, sécurité), classifications par consensus et trace hiérarchique ; déploiement d’un serveur MLflow sur GCP avec Cloud SQL, GCS et authentification • Mots-clés Python, FastAPI, GCP, LLMOps, Cloud Run, Cloud Workflows, BigQuery, Redis, dbt, MLflow, GenAI, Docker, Cloud Build, Github CI/CD

SOLUTION MULTI‑AGENT POUR LA CONVERSION DU LANGAGE NATUREL EN GRAPHQL – Conception d’une architecture multi‑agent avec des modules spécialisés pour l’analyse NLP, la génération de requêtes GraphQL, et l’exécution. – Monitoring et LLMOps avec LangSmith pour le suivi des performances des modèles et la gestion des workflows.. – Coordination des agents pour une interaction fluide entre les étapes de conversion et d’exécution. – Déploiement des modèles et Automatisation des pipelines CI/CD • Mots clés Python, Azure OpenAI, LangChain, LangSmith, LangGraph, LLMOps, Azure DevOps, CI/CD MISE EN PLACE D’UNE AZURE MLOPS PLATFORM – Industrialisation des notebooks et scripts implementé par les Data Scientists. – Implémentation du code IaC pour le deploiement de l’infrastructure sur Azure. – Création de dashboards de model Monitoring et de Responsible AI avec Azure ML. – Implémentation des pipelines de feature engineering, training et inference. – Déploiement des modèles et Automatisation des pipelines CI/CD/CT • Mots clés Python, Pydantic, MLFlow, Azure ML, Azure DevOps, Terraform, Gitlab, CI/CD

GEN AI - RGPD Guard – Collecte, nettoyage, découpage, intégration et indexation des données pour RAG – Classification des documents par niveau de confidentialité – Anonymisation des documents confidentiel et caviarder les données sensibles – Implémentation des routes et des opérations CRUD pour le vector store du module Azure AI Search – Évaluation de la qualité des réponses du LLM avec Ragas Mots clés: Python, FewShotLearning, LangChain, Azure OpenAI, Azure AISearch, Azure DevOps

Mail Traffic Forecast – Identification des sources de données pertinentes et mise en place des pipelines pour les collecter – Nettoyage, pré‑traitement et transformation de données collecté – Optimisation des requêtes et des algorithmes pour garantir des performances optimales – Création de tableaux de bord de visualisation pour surveiller le trafic postal – Modélisation et estimation du trafic postal en France métropolitaine – Implémentation de fonctions de pertes personnalisées qui pénalisent les sous prédictions Mots clés: Logistique, Forecast, NLP, Dataiku, Python, PySpark, Hive, SparkSQL

Automatisation des Incidents – Collecte, nettoyage et transformation de 310K de tickets IT avec des techniques NLP – Classification des tickets d’incidents représenté dans un espace vectoriel – Prédictions de la véritable priorité des tickets d’incidents en utilisant des calculs de similarités – Suggestion de solutions basées sur des incidents similaires – Estimation du temps de résolution minimal Mots clés: Python, Pandas, NLP, Nltk, TF‑IDF, VertexAI, BIGQuery, GCP Root Cause Analysis pour les réseaux VoIP – Modélisation l’infrastructure du réseau en un graphe connecté – Qualification des devices en anomalie en tant que noeuds et leurs liens en tant que arêtes et calculs des pondérations – Orientation du graphe et calcul de KPIs au niveau des noeuds et arêtes en utilisant des notions de la théorie de Télécom – Estimation la source des anomalies dans la topologie en utilisant une variante du Random Walker PageRank – Isolation des root causes provoquant les anomalies Keywords: Python, Neo4j, PageRank, ELK, Gitlab Détection d'anomalies pour les réseaux VOIP – Exploitation des données de type logs CDR (Call Detail Record) pour 60k device dans le réseau Business Talk IP d’Orange France – Calcul de KPIs en se basant sur la théorie de Télécom – Détection et classification des anomalies en temps quasi réel par fenêtre de 15 minutes – Création de dashboard Kibana pour le monitorer la QoS (Qualité de service) Mots clés: Python, Spark, iForest, Autoencoders, ELK, Kibana, Gitlab

Model Monitoring Framework – Construction et maintenance des cadres de surveillance de modèles – Détection et adaptation aux dérives des concepts et aux changements de données – Automatisation des pipelines de recyclage des modèles – Mise en place d’une stratégie pour la détection du data drift – Automatisation du cycle MLOPS pour une centaine de modèles en production Mots clés : Python, SQL, Pandas, Airflow, MLops, Gitlab, CI/CD Demand forecasting – Rassemblement des données historiques de réservation, des annulations, des prix, des événements locaux, et des données météorologiques – Nettoyage et transformation des données pour les rendre exploitables, en traitant les valeurs manquantes, les anomalies, et en standardisant les formats – Analyse des tendances saisonnières et les cycles de demande pour différents types d’hôtels – Identification des variables influençant la demande, comme les saisons, les jours de la semaine, les événements locaux et les conditions économiques – Adaptation des modèles en fonction des segments d’hôtels pour obtenir des prévisions spécifiques et précises – Collaboration avec les équipes techniques pour assurer le déploiement et l’intégration des modèles dans l’infrastructure existante Mots clés: Python, Pandas, SQL, XgBoost, MLops, Gitlab, CI/CD Sequence-Aware Next-Item recommender system pour Infor RMS. – Collecte des données historiques nécessaires, telles que l’historique de navigation et les interactions des utilisateurs – Identification des motifs et des séquences importantes dans les interactions des utilisateurs avec le portail Infor EzRMS – Mise en place des systèmes de suivi pour surveiller les performances et ajuster les modèles si nécessaire – Documentation du code, des modèles, et des processus de traitement des données – Préparation des rapports et des présentations pour les parties prenantes du projet • Mots clés Python, SQL, Knn, Prod2vec, Markov Chains, Fpmc, Gru4rec, Oracle, MLops, Gitlab, CI/CD