Mehdi Yacoubi

Développement d’un assistant IA RAG de benchmarking financier • Architecture multimodale RAG : multi-OCR + détection layout/tableaux + chunking contextuel + PostgreSQL +pgvector • Architecture Agentique avec Langchain + Langraph, pour planning (ReAct) et tool calling • Monitoring & Observabilité : Langsmith + métriques qualité + prometheus+ dashboards Grafana pour usage temps réel • Multiprocessing + GPU (2h→2min/doc) pour import de nouveaux documents • Utilisation de Streamlit + Azure Container Instances + Azure OpenAI + FastAPI pour exposer le système RAG • Gestion de +20 assureurs, +5 ans d’historique et mutli-langue Mise en place d’un outil de prospection des entreprises à taille intermédiaire (ETI) en France • ETL scrappant l’Open Data, cleaning et stockage dans un Data Warehouse (+3M prospects) • Clustering & scoring des prospects + estimation des données financières manquantes via ML • Dashboard PowerBI interactif utilisé au quotidien par +10 agents commerciaux • Pipeline automatisé avec mise à jour mensuelle des données (aws lambda + sagemaker + amazon cloudwatch pour monitoring) Mise en place d’un outil de gouvernance de la qualité des données pour un groupe de protection sociale : • Gestion de +10M de prestations chaque trimestre, couvrant plusieurs millions de salariés et retraités en France • Production automatisée des indicateurs de QDD via Alteryx et pilotage des évolutions via dashboard PowerBI • Gestion du projet et animation des ateliers entre les différentes directions concernées (Risque / Gouvernance / IT)

Développemnt & mise en production d’un modèle de prédiction de la résiliation • Entrainement d’un modèle Catboost sous Databricks pour prédire le Churn • MLOps complet avec monitoring/versionning via MLflow et Batch Processing / API calls (Azure Container Instances) • Intégration de l’analyse des sentiments via techniques NLP, à partir des notes des gestionnaires pour améliorer le scoring Optimisation des processus métier de gestion des sinistres • Analyse de +50 To de données, pour découvrir des insights exploitables pour améliorer les performances opérationnelles • Mise en place de modèles ML en production pour améliorer la connaissance client (PySpark, Databricks, Mlflow) • Encadrement des collaborateurs juniors en favorisant l’apprentissage et augmentant la productivité de l’équipe Migration des usecases internes vers Databricks • Mise en place des tests de migration (non-régression et performance) • Refactoring des usecases pour exploiter les services cloud natifs (Azure Devops, Spark, workflows/jobs)

• Accompagnement des assureurs pour la détection de fraude • Déploiement d’un modèle de détection de fausses factures EDF, via entrainement de modèle YOLO sous GPU. • Engineering pour atteindre 100% en recall et précision • Utilisation de librairie Pytorch et CUDA + Optimisation GPU • Environnement de travail sous GCP: VertexAI pour le cycle de vie ML + Requêtages SQL sous BigQuery + Cloud Monitoring/Logging pour le suivi des modèles