Hatim OMARI

Dans un contexte de développement industriel de viande cultivée, j’ai contribué à la digitalisation et à l’automatisation des processus de R&D, afin de garantir la traçabilité, la conformité qualité et la structuration réglementaire du produit. -Développement de scripts Python intégrant manipulation de fichiers JSON et appels API REST pour automatiser les workflows des chercheurs via Labguru -Digitalisation complète des documents, inventaires et opérations de laboratoire, avec automatisations sur mesure assurant une traçabilité totale des activités de R&D, de scale-up et de production -Mise en place de contrôles automatisés pour l’équipe Quality Assurance, garantissant l'utilisation exclusive de matériels, protocoles validés -Réduction significative du risque d'erreur humaine et renforcement du contrôle des flux de données, contribuant à la constitution d’un dossier réglementaire solide en vue de la commercialisation du produit -Référent Labguru pour l’onboarding des nouveaux collaborateurs : simplification de la plateforme, création de supports de formation, accompagnement personnalisé, mise en place de bonnes pratiques partagées -Participation aux réunions avec les équipes produit de Labguru (US) pour adapter la plateforme aux besoins métiers En parallèle, j’ai accompagné l’équipe marketing dans l’analyse des données clients pour mieux positionner le produit et identifier de nouvelles opportunités marché. -Analyse exploratoire des questionnaires marketing pour identifier les profils les plus réceptifs au produit (tranche d’âge, classe sociale, préférences de présentation et canaux marketing) -Conception d’un modèle de classification permettant d’anticiper les marchés à fort potentiel avant la concurrence -Collaboration étroite avec les équipes R&D, production, qualité et marketing, dans un environnement agile et international -Travail mené en autonomie, avec un rôle central dans l’alignement entre enjeux métier, conformité réglementaire et stratégie data

L'endométriose est une pathologie féminine complexe qui demeure énigmatique. Elle touche près de 10% des femmes pré-ménopausées, dont environ 30% souffrent d'infertilité, avec un temps moyen de diagnostic pouvant aller jusqu'à 7 ans. Notre approche vise à améliorer la précision et la rapidité du diagnostic, ainsi qu'à permettre une détection précoce de l'endométriose, ce qui est crucial pour assurer une prise en charge médicale appropriée et réduire les complications associées. Réalisations: -Mise en place d’une couche silver de données génomiques à partir de matrices RNA-seq brutes (Python, R, RStudio, Jupyter) -Traitement de données à très haute dimension : nettoyage, gestion des effets de lot (RUVG), imputation, transformation des distributions, filtrage statistique rigoureux (Bonferroni) -Analyse d’expression différentielle (DESeq2, edgeR) pour identifier des biomarqueurs liés à l’endométriose -Réduction de dimension et sélection de gènes pertinents via plusieurs méthodes statistiques (RFE, SelectKBest, Wilcoxon, méthode itérative personnalisée) -Construction d’un modèle de diagnostic basé sur l’apprentissage automatique (Random Forest), évalué via des métriques cliniques : sensibilité, spécificité, AUC ROC, matrice de confusion -Optimisation des performances par cross-validation et tuning avancé (Random Search) -Résultat : développement d’un prototype de diagnostic non-invasif permettant de réduire le temps de détection de l’endométriose de plusieurs années à quelques jours -Impact : contribution directe à la création d’une méthode de diagnostic différenciant, avec potentiel de généralisation à d’autres pathologies -Présentation des avancées en réunion bihebdomadaire avec les équipes médicales, data et bioinformatique -Projet mené en autonomie complète dans un environnement agile ◦ Outils : Rstudio, Python, Scikit-learn, TensorFlow ◦ Techniques : Analyse d’expression différentielle, Réduction de la dimensionnalité, Optimisation de modèles, Machine Learning

Ce projet visait à mettre en place un processus de Business Intelligence (BI) pour automatiser et optimiser la gestion des données RH à partir de sources hétérogènes. Réalisations: -Centralisation de données RH issues de deux systèmes hétérogènes (base SQL via la plateforme Agirh pour les CDI, fichier Excel pour les CDD et intérimaires) -Conception d’un pipeline ETL automatisé (Talend) pour intégrer et transformer les données dans un Data Warehouse en schéma étoile -Programmation de l’ETL pour une exécution nocturne avec détection automatique des changements (insertions, mises à jour, suppressions) -Assuré l’alimentation et la structuration du DataWarehouse (intégrité des données) -Développement de dashboards interactifs et de KPIs sous Power BI pour suivre le temps de présence, les anomalies et les écarts entre types de contrats -Résultat : amélioration significative de la fiabilité des données, réduction des erreurs de paie, et simplification du travail des équipes RH ◦ Outils : Talend, Python, Excel ◦ Techniques : Technique ETL, Prétraitement et nettoyage des données, Gestion des bases de données