Moez Hajiri

Comelse, client sous NDA (maison américaine de prêt-à-mesure masculin haut de gamme) Conception et développement de serveurs MCP (Model Context Protocol) reliant la plateforme de gestion des commandes du client à Claude Desktop et Claude Code, afin d'outiller les conseillers, la production et l'administratif par des workflows assistés par IA. • Architecture modulaire du serveur MCP (noyau, modules métier, commandes API, adaptateurs, clients) et schémas JSON des outils, permettant d'ajouter de nouveaux outils métier sans toucher au noyau. • Développement de 52 outils répartis sur 11 domaines métier : outils MySQL en lecture seule avec introspection automatique du schéma et génération de SQL assistée par LLM, et outils d'écriture encadrés sur l'API REST interne du client. • Intégrations Gmail et Intercom pour suivre une commande à travers les fils d'e-mails et les conversations de support depuis la même interface. • Optimisation pour la fenêtre de contexte : variantes résumées et minifiées des outils les plus volumineux. • Couche de récupération sur un magasin vectoriel ChromaDB d'incidents de production historiques. • Authentification (Google OAuth2, JWT, jetons de compte de service) et journalisation structurée avec Winston. • Second service piloté par MCP : un traitement automatisé d'investigation qui détecte les commandes bloquées ou problématiques, rassemble les données utiles, exécute une analyse IA et rédige des notes exploitables par les conseillers, avec prompt caching, contrôle de concurrence, relances à backoff exponentiel et synthèses par e-mail HTML. • Déploiement et exploitation : PM2, déploiement distant, analyse des coûts et infrastructure de logs. • Résultat : utilisé quotidiennement par une dizaine de collaborateurs via Claude Desktop et Claude Code ; le service d'investigation tourne en production comme traitement planifié et envoie ses synthèses aux parties prenantes. Stack : TypeScript · Node.js · MCP SDK · Anthropic Claude API · OpenAI API · MySQL · ChromaDB · Express · Google OAuth2 · JWT · AWS S3 · PM2 · Winston · Zod

Comelse, client : Claricia Lancement et pilotage technique de SeniorView, plateforme de gestion de résidences seniors couvrant résidents, séjours, dossiers de santé, repas, appartements, personnel et maintenance, avec une PWA dédiée aux équipes de terrain. • Conception de l'architecture initiale et du modèle de données, puis encadrement d'un développeur sur le projet avant de passer la main sur le quotidien pour me consacrer à d'autres missions clients. • Développement des modules métier structurants : résidents et séjours, affectation des appartements, service des repas avec catégories de régime, gestion des enveloppes des résidents, dossiers salariés, pipeline de prospects et tableaux de bord. • Livraison d'une Progressive Web App pour le personnel en salle, couvrant la validation des repas et le service en temps réel. • Exécution de la mise en production : migration des données, bascule DNS et automatisation du déploiement. • Retour sur le projet comme responsable de la maintenance durant le premier mois d'exploitation. • Résultat : plateforme en production et utilisée quotidiennement par la résidence, avec environ 380 commits contribués sur la durée du projet. Stack : Laravel 9 · PHP 8.2 · MySQL · Blade · Bootstrap 5 · Laravel Sanctum · PWA · Mailjet · Deployer · Chart.js · FullCalendar · NGINX

Comelse, client : Intersud et GCI (Groupe Crédit Interentreprises) Responsable technique de CREMIS, l'ERP sur mesure d'Intersud (renseignement commercial et analyse du risque crédit entreprises) et de GCI. Je porte l'architecture, le backlog produit et l'équipe de développement sur une plateforme de trois applications qui gère en production 52 742 commandes, 20 737 factures et 1 763 entreprises clientes. ▸ Agent conversationnel IA (IRIS), 2026 • Conception et développement d'IRIS, un agent intégré à CREMIS permettant aux administrateurs d'interroger clients, enquêtes, rubriques, soldes et résultats financiers en français naturel, sans écrire de SQL ni naviguer entre plusieurs écrans. • Exposition au LLM d'un catalogue de 22 outils métier en lecture seule, avec isolation multi-société, déchiffrement transparent des champs sensibles et garanties de lecture seule au niveau de la couche d'accès aux données. • Intégration d'Anthropic Claude (Sonnet 4.6) via NeuronAI derrière une abstraction de fournisseur supportant Anthropic, OpenAI et OpenRouter, commutable par configuration. • Activation du prompt caching sur le bloc statique (prompt système et catalogue d'outils, environ 2 500 tokens) pour une réduction de coût d'environ 90 % après le premier appel, ramenant le coût mesuré à environ 0,047 $ par question ; limitation de débit par utilisateur, budget d'appels d'outils par tour et canal de journalisation dédié au suivi des coûts. • Résultat : développé, déployé, testé et validé par le client, traitant des requêtes analytiques multi-étapes (structure capitalistique, benchmarks sectoriels, valorisation de portefeuille à une date passée). ▸ Migration ZOHO vers CREMIS et plateforme multi-tenant, 2025 à 2026 • Refonte de CREMIS en architecture multi-tenant : résolution du contexte tenant, paramétrage par tenant en base, identité visuelle, modèles de documents, expéditeurs d'e-mails, GED et identifiants d'API tierces par tenant, partage de commandes inter-sociétés avec routage de facturation correct. • Conception et exécution d'un pipeline ETL en deux phases migrant environ 225 000 enregistrements sur 26 tables et 6 modules fonctionnels, ainsi qu'environ 24 400 documents vers SharePoint. • Qualité des données de bout en bout : détection des doublons, résolution des collisions de numéros de commande, dédoublonnage des contacts, notation de la fiabilité de mapping colonne par colonne, et script de réconciliation financière prouvant la concordance des comptes après migration. • Animation d'ateliers fonctionnels avec le client pour arbitrer la parité fonctionnelle, le périmètre et la facturation. • Résultat : bascule réalisée sur un week-end, sans interruption de service pour les utilisateurs ; CREMIS opère désormais comme une plateforme multi-tenant unifiée au service des deux sociétés. ▸ Plateforme ERP et encadrement d'équipe, 2023 à aujourd'hui • Définition de l'architecture logicielle et du schéma relationnel ; mise en place de l'environnement de développement, du dépôt projet et du backlog produit complet. • Encadrement de l'équipe de développement : répartition des tâches, arbitrages techniques et revues de code ; premier contributeur avec environ 1 200 des 2 100 commits. • Développement des deux applications client from scratch, en parallèle de l'application back-office. • Résultat : plateforme en production avec l'ensemble des fonctionnalités prévues. Stack : PHP · Laravel · MySQL · NeuronAI · Anthropic Claude API · prompt caching · Python · ETL · ZOHO CRM · SharePoint · architecture multi-tenant

Comelse, client : Mister Minit Intégré comme développeur sur la plateforme Laravel de commandes et d'e-commerce de Mister Minit sous la responsabilité d'un lead technique en place, puis reprise progressive de la relation client. Aujourd'hui chef de projet principal, en contact direct avec le client sur les nouvelles fonctionnalités tout en continuant à les développer. • Développement du parcours de commande B2B : finalisation de commande, adresses de livraison dynamiques, gestion des frais de port et catalogue paramétrable de modes de livraison. • Intégration des paiements Mollie et du système comptable Enfact du client via export XML, avec isolation des erreurs pour qu'un incident comptable ne bloque jamais le traitement des commandes. • Conception et documentation d'un workflow machines avec contrat d'API formalisé, modèle de données et spécification OpenAPI. • Fiabilisation de la production, notamment la gestion des verrous de tâches planifiées, résistante aux pertes de connexion à la base de données. • Résultat : plateforme en production et toujours en croissance, le client continuant à commander de nouvelles fonctionnalités. Stack : Laravel 9 · PHP 8.1 · MySQL · JavaScript · Mollie · intégration comptable XML · OpenAPI · NGINX

Comelse, client sous NDA (société américaine de fashion-tech) Conception et réalisation d'une architecture complète d'automatisation de la génération d'images de catalogue, en remplacement des shootings photo par tissu : à partir d'une seule photo d'un mannequin portant un vêtement, le système régénère la même image sur l'ensemble d'un catalogue de tissus. • Conception et entraînement d'un modèle de classification de tissus (EfficientNet-B1, transfer learning) sur une bibliothèque d'environ 5 500 images d'échantillons. • Pipeline de conditionnement sur environ 100 gabarits de vêtements : contours Canny, cartes de profondeur Marigold et masques multicolores pour un inpainting ciblé avec ControlNet. • Entraînement de modèles LoRA sur des pièces de vêtement en préservant les attributs clés tels que la couleur et la texture. • Application d'orchestration (Laravel 11 / PHP 8.2) avec files d'attente et endpoints d'API pilotant la génération par lots sur RunPod, pour un usage GPU cloud maîtrisé en coût. • Scripts Python de préparation des jeux de données et de pré et post-traitement des images, livraison automatisée via Google Cloud Storage, Google Drive et Google Sheets. • Résultat : environ 8 600 images de catalogue générées via le pipeline avant que le client ne mette fin à la mission. Stack : Python · PyTorch · EfficientNet · Hugging Face Diffusers · Stable Diffusion · LoRA · ControlNet · Marigold · RunPod · Laravel 11 · Google Cloud Storage

Comelse, client : Clecor Développement de fonctionnalités et d'un système de reconnaissance d'images par IA pour Clecor, service qui identifie clés de voiture, clés de garage et télécommandes à partir d'une photo client afin de déterminer si un double peut être réalisé. • Entraînement et déploiement du modèle de reconnaissance sur Google Vertex AI, et conception de l'architecture de réentraînement qui l'a porté sur quatre versions successives en production. • Tableau de bord d'exploitation suivant l'efficience du modèle, la composition des jeux de données et le volume de prédictions, avec bascule de version pilotée par configuration. • Intégration API alimentant le flux de commandes de Mister Minit avec les résultats de reconnaissance, incluant le mapping produits entre les deux systèmes. • Workflow de validation humaine et notifications par e-mail en cas de prédictions invalidées. • Résultat : modèle v4 en production à 80 % d'efficience d'analyse (58 % en top 1, 72 % en top 3, 84 % en top 10) sur un jeu d'environ 2 500 images, identifiant environ 1 300 références de télécommandes. Stack : Laravel · PHP · Python · Google Vertex AI · JavaScript · MySQL