Hamza koubba

- Conception et déploiement d’une application web de planification du personnel pour un salon VIP, avec un backend sécurisé et une interface frontend moderne. - Mise en place d’un pipeline de données intégrant XGBoost afin de générer des insights prédictifs sur les besoins en personnel en fonction de l’affluence et des contraintes opérationnelles. - Optimisation et génération automatique de plannings via OR-Tools/PuLP, garantissant des plannings fiables, équilibrés et conformes aux contraintes contractuelles. - Modélisation complète des entités métiers : employés, contrats, postes (driver, cuisinier, hôte, etc.), avec gestion multi-rôles et suivi en temps réel. Architecture full-stack : • Backend : Flask (API REST) avec ORM SQLAlchemy, migrations gérées via Flask-Migrate, et PostgreSQL comme base relationnelle. • Frontend : React + Tailwind CSS. • Sécurité & Authentification : - JWT pour l’authentification et la gestion de sessions sécurisées. - Limitation des tentatives de reset par IP (anti-bruteforce) - Middleware custom qui vérifie le token et restreint l’accès aux routes sensibles uniquement aux managers. - Gestion des rôles (manager / employé) avec claims JWT. - CORS configuré pour autoriser le frontend React à communiquer de manière sécurisée avec l’API. - Système extensible pour gérer plusieurs établissements. • Data & IA : - Pipeline de données pour collecter les historiques d’affluence et contraintes opérationnelles. - XGBoost pour produire des insights prédictifs. - clustering (k-means) pour segmenter les profils d’employés selon leurs disponibilités/flexibilité. - OR-Tools / PuLP pour la génération automatique et l’optimisation des plannings (prise en compte des rôles, des horaires max/min, etc.).

• Préparation des données & Environnement IoT: - Mise en place d’un réseau LoRaWAN en milieu Industriel (IIoT) pour la collecte de données de vibrations et stockage distribué dans Apache Cassandra. - Développement d’une interface WEB pour la supervision en temps réel des capteurs LoRa. - Participation à la conception d’un prototype de capteur LoRa (Boîte à Boutons). - Optimisation du temps de transmission des données entre la Boîte à Boutons LoRa et le serveur par une migration du format JSON vers des buffers binaires, réduisant la latence et la charge réseau. - Optimisation du pipeline IoT à l’aide de mosquitto et intégration dans un environnement VMware scalable. - Renforcement de la sécurité de l’infrastructure LoRa par la mise en œuvre de la méthode OTAA (Over-The Air Activation) pour empêcher les attaques Replay. - Établissement d’une connexion TLS sécurisée entre la gateway LoRa et le broker MQTT. • Modélisation IA & Maintenance Prédictive: - Prétraitement et feature engineering sur les séries temporelles : extraction, nettoyage et application de la Transformée de Fourier (FFT) pour identifier les anomalies vibratoires (balourd, désalignement, roulements). - Entraînement et optimisation d’un modèle Random Forest pour la détection précoce des anomalies et la prédiction des défaillances à 3 mois. - Évaluation des performances avec matrice de confusion, F1-score, précision, rappel, taux de faux/vrais positifs. - Étude réalisée sur un moteur de convoyeur industriel afin d’anticiper les pannes et d’intégrer la solution de maintenance prédictive sur des lignes de production.

- Utilisation des données OBD-II pour obtenir des insights sur les performances d’un véhicule (DS 3 modèle 2017). - Extraction et pré-traitement des signaux issue des capteurs embarqués du véhicule via ELM327. - Création d'un modèle ARX (Auto-Regressive with eXogenous inputs) pour modéliser l’évolution de la température catalytique et de la température du liquide de refroidissement en fonction de la vitesse du véhicule et de l'état du moteur. - Cartographie et Analyse SIG des trajets automobile. - Optimisation de la consommation de carburant avec XGBoost et réseaux de neurones.