Mohamed TAYA

Groupe chimie international, BU Home & Personal Care, delivery team. Mission : automatiser la prospection commerciale en donnant aux commerciaux des insights marché et client exploitables directement depuis leur CRM, sans recherche manuelle préalable. Conception et développement d'une solution RAG interrogeant des données externes (bases sectorielles type Mintel, recherche web ciblée sur rapports financiers) et la base interne, en recherche hybride avec embeddings OpenAI et retrieval par document/page. Validation des sources par fiabilité de domaine, avec auto-validation des domaines de confiance. Trois agents orchestrés via LangGraph (exécution séquentielle, timeout et retry limité) : recherche web, tri de fiabilité des sources, et scoring client ICP — modélisation avec les équipes commerciales du profil de client le plus susceptible d'acheter, traduite en critères de scoring automatisés. Résultat : réduction du temps de recherche manuelle des équipes commerciales, insights enrichis synchronisés dans Salesforce pour activation immédiate. Méthodologie agile, points hebdomadaires avec le client interne, en anglais et en français. Qualité du système évaluée sur un jeu de questions métier rejoué à chaque évolution et noté en revue humaine : pertinence des réponses et fidélité aux sources citées. Stack : Python, LangGraph, RAG, Azure OpenAI, Azure AI Search, embeddings OpenAI, Salesforce API, Docker

Lead technique IA sur la partie GenAI de la plateforme : conception et industrialisation du moteur de traitement multi-agents et des APIs déployées en production chez les clients, sur Azure ou GCP selon le client. API de génération et de localisation de contenu produit, Produire à l'échelle industrielle du contenu de qualité marchande sur catalogues internationaux hétérogènes, avec traçabilité de l'origine et de la fiabilité de chaque information. Moteur backend : des agents spécialisés intervenant successivement (recherche documentaire, qualification des sources, extraction, contrôle qualité, génération, validation), chacun mobilisant le modèle adapté à sa tâche via une couche de routage multi-modèles configurable par client et par workflow. Extraction multimodale depuis textes libres, catalogues PDF, notices, images et sites fabricants. Orchestration : enchaînement, parallélisation, reprises sur erreur, journalisation complète. Sortie : titres, descriptions, contenus marketplace, FAQ, SEO, en localisation native sur 30+ langues — unités de mesure locales, différences culturelles, contraintes réglementaires. Résultats : des dizaines de milliers de générations/jour, 20 000+ fiches produit en moins de 24h , déployé sur plusieurs catalogues clients dont Decathlon. Non-régression vérifiée à chaque merge request par LLM-as-judge sur échantillon. API de catégorisation pilotée par agents LLM — L'entraînement d'un modèle custom par client créait un goulot d'étranglement (manque de données labellisées). API générique prenant en entrée les informations produit et la taxonomie cible : deux agents LLM orchestrés (catégorisation, puis validation croisée) et du vector search , sans entraînement dédié. 80% de précision , 60% sur taxonomies très spécifiques, latence < 5s, 100 req/s . Stack : Python, LangGraph, LangChain, GPT-4/GPT-5 (Azure OpenAI), Gemini (Vertex AI), FAISS, FastAPI, Docker, Kubernetes, MLflow

Conception et industrialisation de modèles de machine learning servis en production chez les grands comptes clients d’une plateforme SaaS d'enrichissement de données produit pour le retail. Périmètre : cadrage, constitution des jeux de données, fine-tuning , mise en production et monitoring. Classification produit multilingue APIs de catégorisation automatique dans la taxonomie cible du client, sur modèles BERT / CamemBERT / DistilBERT fine-tunés (HuggingFace) entraînés et servis sur Azure ML Studio . Déployées chez quatre grands comptes retail internationaux : 80% de précision , latence < 3s, jusqu'à 100 req/s via cache, batching et scaling horizontal. Global Blue (Suisse) : catégorisation EN/FR/ES sur 20 catégories de détaxation, modèle fine-tuné sur 800k produits , 90% de précision , enjeu fiscal direct sur l'éligibilité et le taux ; étendue aux produits japonais après succès du déploiement initial. Decathlon (Belgique) : catégorisation du catalogue par sport et par nature. Gordon Food (États-Unis) : déploiement serverless sur Cloud Run, catalogue foodservice. Teract (France) : catalogue agricole et retail, intégré au pipeline catalogue client. Matching d'entités Allopneu recevait quotidiennement des référentiels fabricants aux nomenclatures hétérogènes, sans identifiant commun avec son PIM ; le rapprochement était manuel. Service combinant matching sémantique (vecteurs de libellés) et matching lexical (normalisation des références), avec arbitrage sur les cas ambigus. Pipeline 2x/jour sur dépôt SFTP, de l'ingestion à l'écriture dans le PIM : 80% de précision , chaîne entièrement automatisée. Qualité mesurée sur goldensets construits à partir d'échantillons clients, enrichis par scraping. Stack : Python, HuggingFace Transformers, Azure ML Studio, Vertex AI, Cloud Run, FastAPI, Docker, PostgreSQL, Grafana