Hamza Loukili

– Conception et optimisation d'une chaîne d'ingestion de données entre PostgreSQL et un lac analytique, avec logical replication, Debezium, Kafka et stockage en Parquet sur MinIO. – Industrialisation d'un pipeline de transformation avec Spark Structured Streaming, checkpointing, contrôles qualité, runbook et validation end-to-end pour garantir fiabilité, maintenabilité et observabilité.

– Développement d'un système de recommandation Top-N pour le staffing, construit sur un pipeline RAG avec reclassement par un évaluateur LLM. – Mise en place d'un benchmark interne sur requêtes réelles et annotations humaines pour mesurer la qualité des résultats. – Résultats : Precision@6 > 90%, moins de profils non pertinents et meilleure couverture des consultants disponibles. – Stack: Python, Node.js, MongoDB; service conteneurisé Docker avec API prêtes à connecter à l'application.

– Développement d'un pipeline de préparation et modélisation sur données tabulaires avec nettoyage, encodage et validation. – Optimisation d'une Random Forest via validation croisée; R2 = 0.88, RMSE ≈ 758k; analyse des variables clés.

– Développement d'une méthode de Deep learning avec CNN et LSTM pour prédire la turbulence plasma à partir de données DNS avec projection en ondelettes.

– Préparation sous R avec tidyverse, data.table et imputation; analyse exploratoire et régression logistique multivariée avec effets fixes. – Restitution des odds ratios avec intervalles de confiance dans un rapport Quarto structuré.

– Détection de déclarations frauduleuses: pipeline ML en Python (nettoyage des données, imputation, ingénierie de variables), benchmark des modèles arbres de décision, Naive Bayes, régression logistique et random forest; validation croisée et grid search; seuil optimisé selon la courbe précision-rappel; rappel ≈ 74% sur jeu de test; reporting des courbes précision-rappel et ROC, matrice de confusion, traçabilité sous Git.