MAMADOU SAIDOU BALDE

Contexte Développement d'une application multi-agents d'aide au recrutement permettant d'analyser et classer automatiquement des candidats à partir de plusieurs CVs et d'une offre d'emploi, déployée publiquement sur HuggingFace Spaces. Missions • Conception d'une architecture multi-agents (DocumentAgent OCR, JobAnalysisAgent, ResumeAnalysisAgent, MatchingAgent) orchestrée avec les modèles Mistral AI (mistral-ocr-latest, mistral-small-latest). • Extraction de texte par OCR sur les CVs et l'offre d'emploi au format PDF. • Parsing structuré de l'offre d'emploi et des CVs à l'aide de schémas Pydantic (JobRequirements, CandidateProfile, CandidateScore). • Développement d'un système de scoring multi-critères (compétences techniques 40 pts, expérience professionnelle 30 pts, formation 15 pts, critères additionnels 15 pts) avec classement automatique décroissant des candidats. • Support multi-CV (analyse de 1 à N candidats en un seul passage) avec restitution qualitative des forces et lacunes par candidat. • Développement de l'interface utilisateur avec Gradio (UI sombre, barres de score colorées, responsive) et déploiement sur HuggingFace Spaces. Environnement technique Python, Gradio, Pydantic, Mistral AI SDK, OCR, LLM, Architecture Multi-Agents, HuggingFace Spaces

End-to-end RAG system built for a medical PhD student to securely query confidential research documents - without any external data leakage. Context & Challenge ▸Identified a real-world need: a medical PhD student struggled to navigate large volumes of confidential research PDFs efficiently. ▸Key constraints: strict data privacy (no external API calls), answer reliability (no hallucination), and clinical tone accuracy. Architecture & Technical Implementation ▸Designed a full RAG pipeline: PDF ingestion → chunking (RecursiveCharacterTextSplitter) → BAAI/bge-small-en embeddings → FAISS vector store → semantic retrieval → LLM generation. ▸Integrated Qwen via HuggingFacePipeline with a custom clinical-safe prompt enforcing strict grounding: the model answers only from retrieved context. ▸Implemented a similarity score threshold (FAISS) to detect out-of-scope questions and return an explicit fallback message instead of hallucinated answers. ▸Added ConversationBufferWindowMemory (k=3) for natural multi-turn dialogue while preventing context drift. ▸Built post-processing logic to clean and deduplicate LLM outputs, removing prompt leakage and repetition artefacts. Evaluation & Quality Assurance ▸Implemented a RAGAS evaluation pipeline (faithfulness, answer relevancy, context relevancy) to measure RAG quality across a test question set. ▸Iterated on chunk size, overlap, score threshold, and prompt design based on evaluation results. Deployment ▸Deployed on Hugging Face Spaces with a Gradio UI; optimised for constrained CPU environments (thread management, float32 fallback, HF cache redirection to /tmp). Stack: Python · LangChain · Transformers · FAISS · Qwen2.5 · BAAI/bge · Gradio · HuggingFace Spaces · RAGAS

Membre au sein de la Squad CI_Metrics dans la division Mobile Network pour améliorer la stabilité et la performance des processus de la Continue Intégration pour le déploiement du réseau 5G L2/L3 dans un environnement Agile et international: • Extraction et traitement de très grands volumes de données complexes provenant de diverses sources pour surveiller et améliorer la stabilité des builds logiciels. • Développement de métriques personnalisées pour évaluer les performances des systèmes (temps de compilation, taux de succès, stabilité des pipelines) • Développement des modèles ML (régression, classification) pour prédire les échecs de builds, réduire les erreurs et anticiper les pannes. • Conception de dashboards interactifs avec Power BI pour le suivi des indicateurs clés (temps de build, taux de succès). • Mise en place de pipelines robustes pour automatiser l’extraction, la transformation, et la charge (ETL) des données en temps réel avec Python, SQL et Spark (PySpark, Scala). • Chef de projet pour la conception et le déploiement d’un système automatisé de suivi de l'évolution des lignes de code (ajouts, suppressions, modifications).

Projet R&D visant à analyser les comportements de conduite à partir de données télématiques embarquées afin d’optimiser la reconnaissance des véhicules. * Analyse d’un jeu de données de 2,7M d’observations (28 variables, 40 véhicules) issues de capteurs (accélérations 3 axes, vitesse, contexte météo, type de route, horaires). * Feature engineering pour extraire des indicateurs comportementaux (agressivité, stabilité, variations longitudinales / latérales). * Développement de modèles de Machine Learning pour améliorer la différenciation et la reconnaissance des véhicules. * Identification de patterns comportementaux : conduite plus stable par temps de pluie ; pics d’activité liés aux trajets domicile-travail (6–9h, 16–19h). * Collaboration avec les équipes R&D dans une démarche d’amélioration de la sécurité routière et de la performance véhicule.

Étude statistique des déterminants socio-économiques des taux de criminalité en France à partir de données départementales. * Analyse exploratoire et modélisation statistique sur 96 départements français (corrélations, clustering, analyse multivariée). * Étude des taux de crimes contre les personnes, cambriolages et vols automobiles en lien avec des variables socio-économiques (chômage, pauvreté, urbanisation, familles monoparentales). * Mise en évidence de corrélations significatives entre criminalité, précarité et densité urbaine. * Production d’analyses et visualisations destinées aux chercheurs du laboratoire et aux autorités partenaires.