Hamza I.

• Industrialisation de prototypes Data Science en packages Python déployables (refactoring, standards, versioning), intégration CI/CD et pipelines MLOps. • Développement et mise en production de features LLM (tri d’emails, analyse transcription) : API backend (FastAPI/Flask), observabilité (latence, erreurs, coût), documentation d’industrialisation. • Environnements d’exécution et déploiement : Docker/Kubernetes, intégration CI/CD (GitLab CI/Jenkins), GitOps (ArgoCD) selon contexte, monitoring (Prometheus/Grafana/ELK). • Gouvernance & sécurité : gestion secrets/IAM, contrôles d’accès, conformité RGPD (PII), durcissement (SAST/scan dépendances) en environnement régulé. • Stack : Python, vLLM, Domino, MLflow, Kubernetes, Docker, CI/CD.

• Conception d’une application LLM pour tickets IT : segmentation/topic extraction, génération d’actions/réponses, intégration à une base de connaissance. • Implémentation RAG (ingestion docs, embeddings, retrieval + citations), orchestration via LangChain/LlamaIndex, agents outillés (APIs internes, graph/KB). • Mise en production : conteneurisation, déploiement Kubernetes, endpoint API, suivi qualité (biais/robustesse), logs/traces, runbooks. • Stack : LangChain, LlamaIndex, Azure, Kubernetes, vLLM, Neo4j, Python.

• Mise en place d’un socle MLOps : CI/CD, unit tests, packaging, déploiement containerisé, monitoring et exploitation en production. • Déploiement & supervision d’un chatbot RAG (retrieval, citations) avec instrumentation observabilité et contrôle qualité (évals, régressions). • Gouvernance data/modèles : tracking & registry, versioning datasets, pipelines reproductibles, intégration datalakes/Databricks. • Stack : MLflow, DVC, Feast, Azure Databricks, datalakes.

Fine-tuning & LLMOps (Doc QA / Chatbots) • Fine-tuning de LLM sur documentation interne + mise en place d’outils d’annotation/feedback, boucle d’amélioration continue (qualité utilisateur). • Pipelines QA/RAG (vector DB : Pinecone/Chroma), évaluation des performances (benchmarks, self-assessment), suivi d’expériences et registry. • Déploiement POC cloud + monitoring/observabilité ; préparation à l’industrialisation (CI/CD, packaging, standards). • Stack : Python, Streamlit, Pinecone, AWS, MLflow, LangChain.

LumbarAI: cloud-based platform detection of spinal pathologies through computer vision Prototyping, developig and producting end-to-end AI plaftorm in collaboration with data engineers and data scientist.

R&D development and deployment of data solutions using MLOps + Data engineering data pipelines : • Anomaly detection for failures in manufacturing line, “CONFIDE for Factory” AI solution for manufacturing • Datamining, market segmentation & data visualization • Deep learning for medical image processing, diagnosis and segmentation of brain aneurysm with University of Tokyo. • Obstacle and lane detection module through adversarial networks for car manufacturers

• Detection of the cognitive state of the brain with functional MR imaging to diagnose Alzheimer disease using deep learning models

• Developing R suite toolbox for ML & statistical analysis • Computer vision, Image processing and statistical analysis of different markers

• Machine learning classification algorithm (SVM) for classifying transcriptomics data for cancer study using python • Developing a functional pipeline for Nantes CHU public hospital to automatically classify new data