Hamza Moubareckou

Infrastructure IA pour l'optimisation SEO/GEO et la découverte de contenu à travers 35 marques mondiales et 850 sites e-commerce. • Piloté le projet de bout en bout : architecture technique globale, leadership de l'équipe technique et définition du produit final (choix UX/UI, expérience utilisateur pour les équipes non-techniques) pour un déploiement couvrant 35 marques et 850 sites e-commerce du groupe L'Oréal. • Déployé des agents IA via Google ADK à grande échelle sur Vertex AI pour 35 marques : génération de contenu, factchecking et optimisation SEO/GEO, avec observabilité via LangSmith (tracing, monitoring, évaluation des performances en production). • Industrialisé des pipelines robustes de collecte, enrichissement et ingestion de données vers le knowledge graph : traitement de 850 sites L'Oréal avec tables BigQuery de l'ordre de 20 milliards de lignes via Dataflow et Cloud Run. • Construit des architectures Graph RAG selon les cas d'usage : LPG (Neo4j) pour certains agents, RDF knowledge graphs pour d'autres, avec contribution active à la définition de l'ontologie du web sémantique (Schema.org) pour le domaine cosmétique L'Oréal. • Conçu des interfaces accessibles aux équipes non-techniques pour rendre les agents opérationnels en interne, accélérant l'adoption à l'échelle du groupe.

• Conçu et déployé un agent vocal temps réel orchestrant 2 000 à 5 000 missions logistiques quotidiennes entre clients, parkings partenaires et chauffeurs, éliminant 100 % de l’intervention humaine manuelle préalablement nécessaire à chaque réservation. • Intégré dynamiquement des outils via MCP (Model Context Protocol) pour la connexion au CRM interne et Airtable, évitant le hard-coding et facilitant l’ajout de nouveaux connecteurs. Intégré Twilio via WebSocket pour la gestion des appels vocaux temps réel. • Mis en place des mécanismes LLM-as-judge pour sécuriser les décisions sensibles de l’agent (annulations, retards, réorganisations de mission). • Déployé le versioning de prompts et le monitoring en production via Langfuse : tracing LLM, suivi des appels outils, analyse de latence, coûts et qualité des réponses. • Conteneurisé l’application avec Docker et mis en place des pipelines CI/CD pour le déploiement serverless avec auto-scaling.

• Conçu et orchestré un pipeline multi-étapes avec LangChain et LangGraph : détection des aliments via LLM multimodal (vision), enrichissement par RAG à partir d’une base de recettes vectorisée, puis calcul automatique du Nutri-Score et de l’empreinte carbone. • Conçu une architecture d’orchestration multi-modale : routeur dirigeant les flux selon le type d’entrée (image, texte, audio), avec enchaînement conditionnel des étapes de traitement via LangGraph. • Optimisé le système RAG : amélioration continue des pipelines de retrieval (indexation, chunking, embeddings, re-ranking, scoring), avec métriques de qualité en place. • Migré la base vectorielle de Pinecone vers PGVector : évaluation comparative des solutions, migration des données et optimisation des performances de recherche sémantique. • Déployé l’ensemble du pipeline sur GCP (Cloud Run) avec monitoring des performances RAG via Langfuse en production.

• Refondu l’architecture PostgreSQL d’un ERP interne gérant le cycle de vie complet de produits d’occasion : refonte des schémas relationnels, implémentation de triggers et fonctions pour garantir la traçabilité et l’intégrité des données. • Réduit la latence des requêtes API de 60 secondes à 3–5 secondes (amélioration 12x) via optimisation multi-niveaux : stratégie d’indexation, restructuration du modèle relationnel et rationalisation des jointures critiques. • Conçu et déployé un pipeline de scraping Python collectant 10 millions de lignes de données depuis des marketplaces, avec rafraîchissement périodique des prix via job CRON et AWS Lambda.

• Conçu et intégré un pipeline LLM de bout en bout sur une application mobile et web IA atteignant 500K+ téléchargements : extraction de contenu document(OCR), génération de réponses pédagogiques structurées. • Géré le cycle de vie de la Knowledge Base : mécanismes de mise à jour, suppression et versioning des documents via hashing, synchronisation avec Firestore pour garantir la cohérence sans ré-ingestion complète. • Mis en place des traitements asynchrones orientés événements : système de queue pour la gestion du rate limiting, exécution différée des jobs et restitution des résultats en temps réel via Firestore. • Développé un système de prompt engineering avancé avec versioning et évaluation continue via Langfuse. Optimisé les coûts d’inférence via benchmarking de modèles (OpenAI, Anthropic).

• Conçu et déployé des modèles de détection d’objets légers en temps réel (TensorFlow, TensorRT, OpenCV) pour la mesure du trafic en magasin, optimisés pour le déploiement edge avec fine-tuning par site. • Conçu un pipeline de données temps réel : envoi des détections vers Firestore, synchronisation automatique vers BigQuery, dashboards clients sur Tableau pour l’analyse du trafic retail. • Optimisé les performances d’inférence pour le traitement vidéo temps réel en production.

– Benchmark de méthodes de détection d'objets. – Entraînement et optimisation de modèles sur panneaux de signalisation

– Interface web Django pour centraliser des données métiers. – Pipeline ETL (AWS S3, Glue, PostgreSQL) et automatisation de rapports d'analyse.