Houssam KODAD

Contexte : Mission freelance axée sur la conception et le déploiement de solutions d’intelligence artificielle conversationnelle pour des clients variés (entreprises, collectivités et startups). L’objectif principal était de développer des agents intelligents exploitant les modèles de langage de grande taille (LLMs) et d’adapter ces modèles à des contextes métiers spécifiques. Missions: • Conception et déploiement d’agents conversationnels personnalisés basés sur des LLMs (ChatGPT, Mistral, LLaMA). • Mise en place de pipelines LangChain et RAG (Retrieval-Augmented Generation) pour améliorer la précision et la contextualisation des réponses. • Développement de systèmes de question-answering multimodaux et de chatbots cognitifs intégrant texte, documents et images. • Fine-tuning de modèles de langage (CamemBERT, Falcon, LLaMA) sur des corpus métiers spécialisés. • Évaluation des performances, optimisation de la robustesse et mise en production des modèles dans des environnements cloud. • Application des bonnes pratiques de gouvernance IA. Environnement technique : Python, TensorFlow, PyTorch, CycleGAN, EfficientNet, Imagerie satellite, Traitement d’images, Machine Learning, Deep Learning.

Contexte : Développement d'un système de détection des maladies de la vigne en exploitant des modèles de génération d'images et de classification, afin d'améliorer la précision de l'analyse dans différentes conditions climatiques. Missions: • Génération d'images synthétiques avec CycleGAN pour simuler diverses conditions météorologiques et enrichir les jeux de données. • Classification des maladies de la vigne à l'aide d'EfficientNet, permettant une amélioration de 7% de la précision du modèle. • Développement de modèles prédictifs combinant imagerie satellite et données en temps réel pour une surveillance proactive des cultures. Environnement technique : Python, TensorFlow, PyTorch, CycleGAN, EfficientNet, Imagerie satellite, Traitement d’images, Machine Learning, Deep Learning.

Contexte : Travail au sein d'une société de conseil collaborant avec des établissements publics et administrations pour développer des solutions d’Intelligence Artificielle et de Data Science afin d’optimiser la gestion urbaine, l’aménagement du territoire et la gestion des risques. Missions: • Développement d’un système intelligent de génération de rapports via LLMs, automatisant la création de rapports texte et audio (podcast) pour optimiser la prise de décision. • Conception d’un modèle de NLP pour classifier et géolocaliser les adresses, facilitant la gestion des risques d’assurance liés à l’urbanisation rapide. • Développement d’un assistant virtuel vocal : Conception d’algorithmes avancés pour la transcription en Darija et classification des requêtes utilisateurs, automatisant et optimisant le support client en centre d’appels. • Participation à plusieurs projets d’IA et de Data Science visant l’optimisation des services publics, la gestion des infrastructures et la prise de décision stratégique. Environnement technique : Python, TensorFlow, PyTorch, Machine Learning, Deep Learning, YOLO, NLP, LLM, SIG (Systèmes d'Information Géographique), Imagerie satellite, Traitement de données géospatiales, Data Visualization, SQL, Big Data.

Contexte : Participation à des projets stratégiques d’analyse et d’exploitation des données urbaines pour appuyer la prise de décision des autorités locales. Développement de solutions basées sur l’Intelligence Artificielle et la Data Science afin d’optimiser la gestion territoriale, la planification urbaine et la gestion des infrastructures. Missions: • Développement d’un projet de détection automatique des empreintes des bâtiments à partir d’images satellite (SIG) pour le suivi et l’analyse du développement urbain. • Conception et mise en œuvre d’applications dynamiques intégrant des modèles d’IA et des outils de visualisation interactive, facilitant la prise de décision des parties prenantes. • Déploiement de pipelines de traitement des données et automatisation des processus analytiques à l’aide de technologies DevOps (Git, Docker, CI/CD). • Contribution à des projets transversaux combinant IA, SIG et Big Data pour optimiser la gestion des infrastructures, la mobilité urbaine et la prévention des risques. Environnement technique : Python, Machine Learning, Deep Learning, Time Series Analysis, TensorFlow, PyTorch, YOLO, Visualisation de données, SIG, Docker, Git, CI/CD, Big Data.

Contexte : Développement d’un projet de prédiction des maladies et ravageurs agricoles dans le périmètre de MOULOUYA en exploitant des données climatiques et des modèles d’Intelligence Artificielle. Objectif : améliorer la gestion des risques et optimiser les stratégies d’intervention pour la protection des cultures. Missions: • Conception et entraînement de modèles de séries temporelles (LSTM) pour anticiper les événements climatiques critiques et optimiser la gestion agricole. • Exploitation de données climatiques et environnementales via des algorithmes de machine learning (Random Forest, XGBoost) afin de prédire l’apparition et l’évolution des maladies agricoles. • Collecte et traitement de données climatiques et biologiques grâce à des techniques avancées de web scraping et d’extraction automatique de données. • Analyse des tendances météorologiques et agronomiques pour fournir des recommandations stratégiques aux exploitants agricoles. Environnement technique : Python, TensorFlow, PyTorch, LSTM, Time Series Analysis, Random Forest, XGBoost, Web Scraping, Data Preprocessing, Visualisation de données.

Contexte : Projet en Data Science appliquée à la santé, visant à développer un modèle d’apprentissage automatique pour la détection précoce du cancer du sein. L’objectif était d’exploiter les données médicales afin d’améliorer le diagnostic et d’optimiser les prises de décision cliniques. Missions: • Collecte, préparation et nettoyage des données médicales en assurant leur qualité et leur cohérence pour une meilleure exploitation par les modèles d’IA. • Développement et entraînement d’un modèle de machine learning pour la détection du cancer du sein en utilisant Microsoft Azure Machine Learning Studio. Environnement technique : Microsoft Azure Machine Learning Studio, Machine Learning, Prétraitement des données, Feature Engineering, Visualisation de données.