lila chibane

• Développement d’un système d’auto-évaluation des questions générées • Prétraitement intelligent de textes avec OCR et pipeline NLP pour l’extraction de structure • Développement d’une architecture RAG pour la génération de questions contextuelles • Implémentation de LlamaIndex pour la création d’un index hiérarchique des connaissances • Configuration de Chroma DB pour le stockage des embeddings avec métadonnées pédagogiques • Mise en œuvre d’une stratégie de chunking recursive pour préserver les relations conceptuelles • Intégration de techniques MaxMarginalRelevance (MMR) pour diversifier les résultats • Utilisation de l’API OpenAI • Application de prompt chaining avec DSPy pour découper la génération en étapes logiques • Développement d’une API web avec FastAPI exposant les fonctionnalités de génération et d’évaluation.

• Comprendre et analyser les besoins métiers afin de les traduire en solutions techniques basées sur la data science, la modélisation statistique et le machine learning. • Développement d’un pipeline de traitement des séries temporelles des véhicules, incluant la collecte, le nettoyage et l’analyse des données à l’aide de SQL, Python, Dataiku et Google Cloud Platform (GCP). • Utiliser BigQuery et GCP pour stocker et analyser les données relatives à la gestion thermique des véhicules électriques • Optimiser les requêtes dans BigQuery pour améliorer les performances de traitement des données • Création de tableaux de bord interactifs pour la visualisation et l’analyse des données à l’aide de Power BI et Tableau. • Prédiction de la température moyenne de la batterie pour maximiser l'énergie en utilisant les techniques de machine learning et deep learning • Développement d'un chatbot intelligent avec des LLM et des techniques de Retrieval- Augmented Generation (RAG) pour répondre aux questions quotidiennes du service de refroidissement des véhicules électriques • Architecture RAG complète avec LangChain et LlamaIndex pour l’orchestration des composants • Implémentation d’une stratégie de chunking hiérarchique adaptée aux documentations techniques • Développement d’embeddings spécialisés avec SentenceTransformers pour le vocabulaire automobile • Mise en place d’une recherche hybride (dense + sparse) combinant FAISS et BM25 • Configuration d’un système de reranking avec Cross-encoders pour améliorer la pertinence • Intégration de métriques RAGAS pour l’évaluation des performances du système • Optimisation continue basée sur des tests utilisateurs et des évaluations automatisées • Déployer les solutions en environnement de production et surveiller leur fonctionnement. • Documenter et résoudre les incidents techniques rencontrés durant le cycle de vie des projets. • Mise en place d'un pipeline CI/CD pour automatiser les processus de déploiement en production.

• Analyse et traitement de données textuelles avec techniques d’embedding avancées • Mise en œuvre de différentes techniques d’embedding (Word2Vec, GloVe, BERT, Universal Sentence Encoder) • Expérimentation avec des techniques de réduction dimensionnelle (PCA, t-SNE, UMAP) • Application des LLMs comme GPT et Llama pour identifier les informations personnelles dans les données textuelles. • Détection des textes générés par des humains et des textes générés par des modèles génératifs (GenAI) en utilisant des LLMs. • Développement d’un framework de benchmark pour comparer les performances de différents LLMs • Conception de métriques personnalisées pour l’évaluation des modèles génératifs • Implémentation d’une solution de détection basée sur l’analyse des embeddings • Déploiement d’un service d’API RESTful avec scaling automatique

• Comprendre et analyser les besoins métiers afin de les traduire en solutions techniques basées sur la data science, la modélisation statistique et le machine learning. Implémentation d’une architecture U-Net modifiée intégrant des mécanismes d’attention pour la segmentation de tumeurs cérébrales de type glioblastome, en exploitant également des techniques de Deep learning et de transfert learning afin d’améliorer les performances du modèle. • Augmentation des données d’entraînement avec des GANs pour pallier le manque d’exemples rares • Exploration de méthodes d'apprentissage non supervisé pour découvrir des patterns cachés dans les données d'IRM, contribuant à une meilleure compréhension des caractéristiques des glioblastomes. • Développement d’un système de post-traitement basé sur des contraintes anatomiques • Création d’une interface utilisateur interactive avec visualisation 3D des segmentations • Mise en place d’une API REST complète pour l’intégration dans les systèmes hospitaliers • Déploiement containerisé avec orchestration Kubernetes pour garantir la scalabilité

• Rassembler les messages des clients provenant de diverses sources (emails, chats, réseaux sociaux) et effectuer un nettoyage des données pour garantir leur qualité et leur cohérence. • Réaliser une analyse exploratoire pour comprendre les tendances et les schémas dans les sentiments exprimés par les clients, et identifier des métriques clés pour l’évaluation de la satisfaction. • Créer et entraîner des modèles de classification des sentiments (positif, négatif, neutre) sur des données textuelles, en utilisant des techniques de Machine Learning. • Exploiter des modèles préentraînés tels que BERT et RoBERTa pour le fine-tuning sur des données spécifiques, améliorant ainsi la précision de la classification des sentiments. • Mesurer l’efficacité des modèles à l’aide de métriques pertinentes telles que la précision, le rappel et la F-mesure, et réaliser des validations croisées pour garantir des résultats fiables. • Développer des dashboards interactifs pour présenter les résultats de l’analyse des sentiments, permettant aux parties prenantes de suivre les tendances et d’obtenir des insights en temps réel. • Déployer les modèles de classification dans un environnement de production afin que les équipes puissent accéder aux résultats d’analyse des sentiments en temps réel.