Hamza LOUKILI

- Développement d'un système de recommandation Top-N pour le staffing interne, basé sur un pipeline RAG combinant embeddings, recherche vectorielle, LLM et réordonnancement de profils. - Conception d'une approche ReRAG permettant de passer d'un tri par similarité vectorielle à une sélection raisonnée, explicable et auditable. - Mise en place d'un benchmark sur requêtes réelles, avec annotations humaines et évaluation automatique via LLM-as-Judge / G-Eval. - Calibration d'un juge LLM strict pour mesurer l'adéquation profil-besoin, atteignant un accord substantiel avec les jugements humains (κ = 0,60 ; MCC = 0,60). - Amélioration des performances de recommandation : Precision@6 = 90,23 % et Precision@10 = 84,01 %, contre environ 65–68 % pour la baseline embeddings. - Intégration et fiabilisation du pipeline : API, Docker, MongoDB Atlas, contrôle JSON, anti-doublons, whitelist IDs/noms et traçabilité des explications. Technologies utilisées : Python, RAG, LLM, embeddings, MongoDB Atlas Vector Search, HNSW, Node.js, Docker, API, prompt engineering, LLM-as-Judge

- Développement d'un modèle de prédiction de turbulence à partir de données DNS haute résolution en combinant une architecture ConvLSTM2D avec une représentation multi-échelles basée sur les ondelettes - Conception et optimisation des pipelines d'entraînement sur environnement HPC (Linux, Slurm), incluant la gestion de jobs distribués, le suivi des expérimentations et la reproductibilité des résultats - Mise en place d'un protocole d'évaluation avancé avec validation croisée et comparaison aux modèles baselines (CNN et LSTM), permettant d'améliorer la qualité des prédictions sur les structures turbulentes - Validation des performances via comparaison directe avec les données physiques (DNS), analyse statistique des distributions (vorticité) et étude de la convergence des modèles - Analyse et visualisation des résultats (cartes de vorticité, distributions de probabilité, courbes de loss) afin d'interpréter le comportement du modèle et d'évaluer sa robustesse - Rédaction de rapports techniques et communication des résultats dans un contexte de recherche appliquée Technologies : Python, Deep Learning (ConvLSTM, CNN), NumPy, HPC (Linux, Slurm), Data Visualization

- Conception et développement d'un pipeline de détection de fraude sur des données sinistres multi-sources avec Python et PySpark. Préparation et structuration des données incluant nettoyage, gestion des valeurs manquantes et outliers, contrôle de cohérence et mise en place d’un split temporel afin d’éviter le data leakage. - Réalisation d'un feature engineering avancé avec création de variables temporelles, ratios métiers et encodage de données hétérogènes, permettant d'améliorer la qualité et la représentativité des données utilisées par les modèles. - Entraînement et comparaison de plusieurs modèles supervisés (Decision Trees, Naïve Bayes, SVM, XGBoost) avec gestion du déséquilibre de classes via pondération et techniques de resampling, ainsi que mise en place d'un protocole d'évaluation robuste avec validation croisée et optimisation du seuil de décision. - Les modèles développés ont atteint environ 77 % de précision globale avec un F1-score proche de 0,75, tout en maintenant un bon équilibre entre précision et rappel. - L'optimisation des modèles a permis de réduire d’environ 15 % les faux positifs à rappel constant, améliorant directement la pertinence des alertes et la performance opérationnelle pour les équipes métier. - Analyse et restitution des résultats afin d’orienter la prise de décision et la priorisation des cas à risque. Technologies utilisées : Python, PySpark, Pandas, NumPy, Scikit-learn, XGBoost, SQL

Rôle hybride entre analyse de données, reporting opérationnel et coordination terrain dans le cadre de campagnes d'activation commerciale en points de vente. • Centralisation et fiabilisation des données terrain issues des opérations commerciales : présences animatrices, ventes, interactions clients, remontées magasins, ruptures produit et incidents opérationnels. • Suivi et analyse des KPI opérationnels : taux de présence, taux de couverture magasins, animations réalisées vs planifiées, performance par point de vente, écart objectif/réalisé, anomalies de reporting et qualité des remontées terrain. • Création de reportings Excel pour le pilotage des campagnes : tableaux croisés dynamiques, synthèses hebdomadaires, suivi par zone, par point de vente et par campagne. • Nettoyage, structuration et consolidation de fichiers Excel/CSV avec Python afin d'automatiser une partie des reportings et réduire les erreurs de saisie. • Utilisation de SQL pour croiser les données liées aux campagnes, magasins, équipes terrain et résultats commerciaux. • Détection et suivi des anomalies opérationnelles : absences non remontées, retards de reporting, données manquantes, incohérences ventes/remontées et écarts de performance. • Formation et accompagnement des animatrices sur les procédures de collecte et de reporting quotidien afin d’assurer la fiabilité, la complétude et la cohérence des données terrain. • Coordination avec les chefs de projet pour améliorer la qualité des remontées terrain, identifier les points de friction opérationnels et optimiser la performance des campagnes. • Production de synthèses analytiques permettant d'identifier les zones sous-performantes, les points de vente à fort potentiel et les leviers d’amélioration terrain.

- Enseignement des mathématiques et de l'informatique à des élèves de niveau collège et lycée - Conception et animation de séquences pédagogiques adaptées aux différents niveaux - Préparation des supports de cours, exercices, évaluations et corrections - Accompagnement individualisé des élèves : consolidation des bases, raisonnement analytique et méthodologie - Suivi de la progression des élèves et adaptation des approches pédagogiques selon les difficultés identifiées