Mellissa HAFIS

- Développement d'un système agentique IA pour la génération automatique de dossier CIR (rédaction d'un dossier CIR en max 15min) - Développement d’un agent d’analyse capable de générer et d’exécuter dynamiquement du code Python pour des analyses avancées, des visualisations interactives et des modèles légers. - Configuration et optimisation structurée des systèmes Multi-agents et prompt engineering - Exploration de la Metacognitive Reflection sur les Multi-Agent Systems pour une auto- amélioration et adaptation Stack technique: Python, Databricks, LangChain, LangGraph, Azure OpenAI (GPT-4.1), Collibra (intégration de la gouvernance et du catalogue de données), Chainlit, Git/GitHub.

- Développement d'un framework hybride SQL & ML pour quantifier l'impact financier d'un incident technique sur 50k connexions marketplace et 25k+ vendeurs européens - Estimation de $450–550M de GMS perdus via analyse historique SQL + modèles prédictifs (Random Forest, Gradient Boosting, R² : 0.75–0.85) - Création de pipelines ETL sur AWS (S3, Redshift, Athena) et dashboards QuickSight pour le suivi des vendeurs et de l'unbuyability - Mise en place d'un framework réutilisable pour l'analyse d'incidents futurs <- Detailled discription -> Led a high-impact data science project to quantify the financial consequences of a system design flaw affecting cross-border seller listings across European marketplaces. • Designed and implemented a hybrid methodology combining SQL-based historical analysis and machine learning (Random Forest, Gradient Boosting) to estimate lost revenue across ~50,000 marketplace connections and 25,000+ sellers • Quantified $450–550M in lost Gross Merchandise Sales (GMS), uncovering a highly concentrated impact where just 1% of affected sellers drove 40–45% of total losses • Addressed a 65% data gap (16,687 missing merchants) using ML predictions achieving R² of 0.75–0.85, with full uncertainty quantification via Coefficient of Variation • Built a reproducible incident analysis framework on AWS (S3, Redshift, Athena) for use in future business disruptions • Contributed to two additional projects: an unbuyability data pipeline and a Selexor reporting revamp with QuickSight dashboards Stack: Python (scikit-learn, pandas, NumPy, matplotlib), SQL, AWS (S3, Redshift, Athena), Amazon QuickSight

- Benchmark de 3 LLMs (70B) sur 50 000+ repas pour la structuration automatique d’aliments. - 30–35 % d’accuracy MCQ, KG statique sans gain mesurable, identification de biais de hallucination et recommandations RAG / fine-tuning. <- Detailed description -> - Designed and evaluated an automated meal classification pipeline from unstructured textual data (50k+ entries) using Large Language Models (LLMs) and Knowledge Graphs (KGs). - Conducted a comparative study of large-scale LLMs (LLaMA 3.3, DeepSeek-R1, Mistral MoE), with and without Knowledge Graph augmentation, for meal structuring (starter / main course / dessert). - Implemented advanced prompt engineering techniques, including domain-specific personas (nutritionist), few-shot learning, strict JSON output constraints, and hallucination control. - Integrated nutrition knowledge graph metadata (food group information) into prompts and analyzed its impact on model performance. - Defined and automated a comprehensive evaluation framework, including MCQ-based reasoning tests, binary classification, structural correction tasks, and metrics such as precision, recall, F1-score, and hallucination rate. - Performed a critical analysis of the limitations of static KG-augmented prompting (context overload, “NO” bias, hallucinations) and proposed technical improvements, including dynamic RAG, LoRA / prompt-tuning, and automated output validation. - Delivered annotated datasets to support a sequential recommendation system (RNN-based) for personalized nutrition.

Développement d'une application mobile visant à digitaliser l'accès aux services de la mutuelle. L'application permet aux adhérents d'accéder à leurs informations personnelles et à leurs services de mutuelle sans avoir besoin de cartes physiques, en utilisant un code QR unique pour chaque utilisateur. Ce projet s'inscrit dans une initiative plus large de modernisation et de réduction des coûts opérationnels liés à la gestion des cartes magnétiques.

Première expérience concrète en infographie et design graphique, axée sur la conception de packagings, logos et identités visuelles, lors de mon stage ouvrier. Une immersion enrichissante dans le monde professionnel, acquérant des compétences précieuses et contribuant à la création d'éléments visuels percutants et mémorables.