mahmoud bengounia

Conception et développement d’un moteur RAG (Retrieval-Augmented Generation) multi-tenant avec indexation dynamique des documents clients (PDF) et recherche hybride combinant (Weaviate/Qdrant) et BM25. Création d’un backend FastAPI robuste et d’un chatbot intelligent capable de répondre avec précision aux demandes à partir de documents contractuels complexes. Mise en place d’un pipeline complet : parsing avancé des PDF, génération d’embeddings avec HuggingFace, stockage vectoriel optimisé avec filtrage par métadonnées. Intégration d’agents IA via n8n pour l’automatisation avancée de tâches (traitement de données, requêtes multi-LLM, notifications et workflows intelligents). Déploiement conteneurisé avec Docker sur une VM Cloud IONOS, gestion des services backend, orchestration des bases vectorielles et optimisation des performances. Collaboration en mode MLOps : gestion du cycle de vie des modèles, monitoring des performances et optimisation continue des réponses.

Analyse et suivi des ventes afin d’identifier les tendances, optimiser les stratégies commerciales et améliorer le chiffre d’affaires. Centralisation et structuration des données issues de multiples sources marketing et e-commerce pour un pilotage unifié. Suivi et optimisation des campagnes marketing B2B et B2C sur Google Ads, Meta Ads, Snap Ads et TikTok Ads. Création de tableaux de bord interactifs Power BI pour visualiser les KPI et mesurer la performance des actions marketing. Gestion de la base de données clients : segmentation, qualification et mise à jour des listes pour des campagnes ciblées. Marketing automation & email marketing avec Klaviyo : scénarios automatisés, campagnes personnalisées, A/B testing. Automatisation des processus marketing via Zapier et Make : génération et planification de contenu, synchronisation des données entre outils.

Création de tableaux de bord interactifs pour le suivi et la gestion des pannes de robots de peinture dans plusieurs usines, via Spotfire et SQL, permettant d’améliorer la maintenance préventive. Développement d’un modèle de détection de fraude sur AWS Cloud intégrant la reconnaissance d’images et l’OCR, réduisant le temps de vérification manuelle. Prédiction de l’évolution des KPI à l’aide de modèles de séries temporelles, afin d’anticiper les variations de performance. Analyse de la satisfaction client : extraction et traitement des avis Google, entraînement d’un modèle BERT pour la classification et l’analyse de sentiments.