CHERIF Fedi

– Conception et développement d'une plateforme d'IA souveraine garantissant la confidentialité et la maîtrise des données internes: – Conception d'un système RAG basé sur LangChain, capable d'extraire et d'indexer des documents hétérogènes (Excel, CSV, PDF, etc.). – Intégration de LLMs via Vertex AI, assurant la génération de réponses contextualisées et la personnalisation selon les métiers du groupe. – Orchestration cloud-native sur GCP, combinant Cloud Run pour l'inférence scalable, Cloud SQL (PostgreSQL) pour la gestion des embeddings, et Vertex AI pour l'utilisation des modèles. – Industrialisation MLOps & DevOps: pipelines CI/CD unifiés avec Terraform (IaC) et Jenkins, garantissant la reproductibilité et la livraison continue des environnements. – Supervision centralisée via BigQuery et Looker Studio, permettant le suivi en temps réel des logs, appels API et taux d'erreurs. – Intégration sécurisée dans l'écosystème interne d'AG2R : APIs exposées sur un réseau privé et consommées par le front-end d'ALMIA BOT, adopté par plus de 6000 collaborateurs. – Ouverture stratégique des services d'IA via Apigee, facilitant leur intégration dans les applications métiers du groupe. – Pilotage de la seconde phase du projet, dédiée à l'intégration d'une architecture d'IA agentique visant à renforcer l'autonomie et la capacité d'orchestration du système: – Conception et implémentation d'un agent orchestrateur central, chargé de coordonner l'exécution de plusieurs agents spécialisés développés avec LangGraph. – Déploiement et exposition des agents sur un serveur LangGraph hébergé dans Cloud Run, assurant une scalabilité automatique. – Suivi et évaluation des performances agentiques, incluant la latence de coordination, la robustesse des échanges et la pertinence des décisions autonomes.

– Analyse des données images pour anticiper les évolutions des tendances mode: – Définir une nouvelle approche de normalisation pour améliorer la représentativité des trends. – Développer un mini-dashboard pour permettre aux métiers de surveiller la growth year-over-year (YoY). – Étudier la pertinence des trends (séries temporelles bruyantes où le rapport signal / bruit est trop faible). – Mise en place d'un nouveau module d'évaluation basé sur les métriques scale-free-error. – Définir une nouvelle approche holistique pour corriger le biais du modèle de forecast individualiste. – Remplacer les scripts python exécutés localement par des flows Prefect pour assurer une gestion efficace et fiable des flux de travail. – Migration des données d'Elasticsearch vers le data warehouse Snowflake afin d'améliorer la scalabilité de la collecte des tendances: – Garantie de l'intégrité des données tout au long du processus de migration. – Implémentation de la logique des requêtes des tendances en SQL pour une transition fluide vers Snowflake. – Optimisation significative des performances des requêtes, mettant en œuvre des améliorations pour garantir une exécution plus efficace. – Modification du flow Prefect de la trend pipeline pour diriger le flux vers Snowflake, consolidant ainsi les améliorations de performances.

– Développement d'un système de recommandation (service de préférences utilisateur) pour la plateforme télé-expertise médicale: – Développer un pipeline de migration de données (OLAP - OLTP): copiage régulier de Redshift vers Aurora. – Préparer les datasets d'apprentissage et de test: retirer les observations manquantes, encoder les features, etc. – Conception et implémentation d'un moteur de recommandation basé sur les techniques de Word Embedding. – Développement d'un modèle de classification pour distinguer les plaintes répétitives des nouvelles: – Collecter les données de différentes sources (on-premise, database, data warehouse), concevoir un Common Data Model CDM, transformer les données extraites pour qu'elles correspondent aux entités standard définies. – Effectuer une étude exploratoire exhaustive et partager les keys-insights avec les experts métiers via un dash. – Extraire les handcrafted features et utiliser l'open-data pour enrichir l'ensemble de données. – Évaluer la fiabilité du modèle en interprétant les résultats avec le framework LIME. – Réglage des hyperparamètres y compris les paramètres "cost-sensitive learning" pour gérer le déséquilibre des données. – Examiner les performances des dépenses de pneus & fournir des mesures d'économie pour PRAXIO: – Créer et maintenir des tableaux de bord de Business Intelligence (BI). – Diriger une équipe d'analystes pour intégrer une culture basée sur les données au sein de l'entreprise. – Effectuer une compréhension analytique approfondie et fournir des informations exploitables pour une meilleure utilisation des pneus. – Optimisation et déploiement d'un modèle statistique développé par l'équipe R&D afin de mettre au point et centraliser le process de validation des tuyaux industriels: – Accélérer les simulations de Monte Carlo à l'aide de Numba et Dask. – Conception d'une infrastructure scalable et serverless hébergée dans le cloud pour contenir le modèle et l'automatisation de son déploiement ainsi que le déploiement du modèle dans AWS à l'aide de Terraform.

– Implémentation d'un module de catégorisation automatique des produits à partir de leurs descriptions pour faciliter la création / maintenance des fiches produits pour la partie plateforme e-commerce: – Écarter les données mal taggées en utilisant les algorithmes de clustering. – Réaliser des statistiques descriptives pour obtenir une vision globale sur le corpus. – Produire l'ensemble de features qui représentent le corpus (tf-idf, bag of word, n-grams, part of speech). – Préparer le dataset d'apprentissage: vectorisation, sélectionner les features les plus utiles, normalisation. – Développer un modèle de classification multi-classes afin d'attribuer une catégorie à chaque produit. – Mise en place d'un module de détection de défaillance des équipements pétroliers (pompes, vannes) à partir de notifications textuelles: – Participer à l'annotation des données en appliquant des techniques de mesure de similarité. – Trouver les mots clés qui intéressent les experts métiers en utilisant les règles d'association. – Enrichir l'ensemble des features en se basant sur le système expert existant, préparer le dataset en faisant tout le preprocessing nécessaire, développer un modèle de classification des défaillance. – Conception et implémentation d'une base de données SQL pour sauvegarder les notifications et les résultats de classification.

– Optimisation des modèles Deep Learning en utilisant les techniques "hardware-aware hyper-parameter optimization". – Déploiement des modèles optimisés sur un Smartphone à l'aide des méthodes de Tensorflow. – Rendre le modèle Deep Learning, implémenté sur le Smartphone, orienté utilisateur. – Publication de l'article DL4DED: Deep Learning for Depressive Episode Detection on Mobile Devices, présenté à la conférence ICOST 2019, décrivant l'approche innovante développée.