MOHAMED BABANA

– Projet - Système RAG avancé sur Elasticsearch (+10M documents) – Architecture d'un système RAG multi-étapes sur Elasticsearch: chunking sémantique, dense retrieval (kNN + embeddings OpenAI/Mistral), hybrid search (BM25 + vector), et re-ranking par cross-encoder. – Indexation et vectorisation de +10M de documents propriétaires (catalogue, FAQ, données CRM) dans Elasticsearch avec pipelines d'ingestion batch et incrémental. – Orchestration des chaînes RAG avec LangChain et Llamalndex: query routing, multi-hop retrieval, contextual compression, et hallucination guardrails. – Exposition du système via FastAPI (endpoints REST async) + interface Streamlit pour les équipes métier (Sales, Ops, Customer Success). – Monitoring end-to-end avec Langfuse: traçabilité des appels LLM, latence par étape, taux de faithfulness, et dashboarding des coûts par token (FinOps LLM). – Projet - Fine-tuning & personnalisation marketing LLM-driven – Fine-tuning de Mistral-7B (LoRA/QLORA via PEFT) sur des données marketing internes pour la génération de contenu personnalisé (emails, push notifications). – Évaluation systématique avec RAGAS (faithfulness, answer relevancy, context recall) et A/B testing des variantes de prompts en production. – Déploiement du modèle fine-tuné sur GCP (Vertex AI / Cloud Run) avec auto-scaling et serving via vLLM pour latence optimale. – Projet - Pipeline Data & Ingestion à grande échelle – Conception et optimisation de pipelines de données (ingestion, transformation, dépôt) avec Airflow, dbt et BigQuery, couvrant +10M de lignes de données clients et transactionnelles. – Mise en place d'un data quality framework avec Great Expectations et alerting Slack intégré dans les DAGs Airflow.

– Conception de modèles de deep learning (PyTorch) pour la détection d'événements et l'analyse de matchs de football en temps réel. – Développement de pipelines d'inférence optimisés (TensorRT, ONNX) pour le traitement vidéo avec contraintes de latence sub-seconde. – Collaboration avec les équipes produit pour l'intégration des modèles dans l'architecture de streaming.

– Développement de modèles prédictifs (XGBoost, LSTM) pour la production pétrolière et la maintenance prédictive sur des jeux de données industriels volumineux. – Optimisation des processus de production via analyse statistique avancée et feature engineering sur données de capteurs IoT. – Mise en place de dashboards de suivi avec Python et outils de visualisation pour les équipes opérations.

– Création d'un programme de reconnaissance des émotions basé sur des modèles pré-entraînés (transfer learning, CNN). – Développement d'un programme de contrôle pour un bras robotique intégrant du traitement de signal en temps réel.