Ismail Erradi

Moteur RAG « Psychologie du management » - Contexte : corpus de livres et articles sur les biais cognitifs, le leadership situationnel et les comportements organisationnels. - Objectif : permettre à des coachs et managers d’interroger ce corpus en langage naturel. - Stack : LangChain, ChromaDB, embeddings OpenAI, GPT-4, reranking sémantique, RAGAS (évaluation), Streamlit (front), LangSmith (traçabilité), FastAPI. - Résultat : pipeline évalué via RAGAS (faithfulness 0.91, answer relevancy 0.88) sur un panel de 60 questions métier, interface Streamlit livrée aux utilisateurs finaux. Agent conversationnel agentic RAG - Contexte : extension du moteur RAG précédent en agent conversationnel multi-tours, capable de raisonner sur plusieurs échanges et de corriger ses propres erreurs de récupération. - Stack : LangGraph, architecture corrective RAG, grading des documents récupérés, réécriture de requête en cas d’échec, mémoire persistante entre sessions, LangSmith (monitoring et tests de non-régression). - Résultat : l’agent combine le corpus RAG (mission 1), la recherche web en temps réel et les connaissances du LLM pour des réponses multi-sources contextualisées, taux de pertinence validé à 87% via RAGAS sur un panel de 50 questions métier. Agent de planification bien-être - Contexte : agent personnel de suivi de séances de méditation et de pratiques bien-être, conçu pour mémoriser les préférences et s’adapter à l’historique utilisateur. - Stack : LangGraph, gestion d’état persistant, memory management, tool calling pour la génération de plannings adaptés, LangSmith (traçabilité des sessions). - Résultat : agent opérationnel, suggestions personnalisées selon l’historique, planning généré automatiquement en fonction des disponibilités et objectifs déclarés.

• Construction end-to-end d'une plateforme de données carbone urbaine couvrant les secteurs du bâtiment, du tertiaire et du transport • Exploitation de données multi-sources : énergétiques, trafic, géospatiales et satellitaires — issues de l'open data, d'achats de données et de partenariats avec des collectivités • Estimations GHG à la maille bâtiment et quartier en quasi-temps-réel, pour donner aux villes un outil concret de pilotage de leur transition énergétique

Make predictive analysis on RCI Brazil data, especially on two subjects: contract renewal churn (early settlement) Environment: AI Datalab Dataiku: 2 months training

data mining and feature engineering Deploy Machine Learning algorithms (Deep Learning, Ensemble Learning, LSTM, MLP, Tree Based Algorithms) Frameworks: Tensorflow, Sci-kit Learn, Keras, Pytorch Cloud: Amazon web services (S3, EC2, Aws ML)

Update student’s annual travel pass Develop a Java software to reduce processing time