Er-raouan Mohamed

– Au cours de ce stage, participation à la conception et au développement d'un assistant conversationnel intelligent basé sur une architecture RAG (Retrieval-Augmented Generation). – Conçu et développé un assistant IA conversationnel s'appuyant sur une architecture RAG pour répondre à des requêtes métier à partir de bases de connaissances internes. – Développé le backend applicatif avec FastAPI et Python, exposant des API REST pour l'intégration de l'assistant dans les outils existants. – Intégré des LLMs au pipeline RAG pour la génération de réponses contextualisées à partir de documents indexés. – Connecté l'assistant à Google Calendar API pour automatiser la prise de rendez-vous et la gestion d'agenda. – Développé l'interface utilisateur avec HTML/CSS et JavaScript pour une expérience conversationnelle fluide. – Conçu et interrogé des bases de données pour la persistance des échanges et des données métier. – Versionné le code et collaboré via Git tout au long du cycle de développement.

– Développé des agents IA autonomes et proactifs connectés à des API REST, bases de données et historiques conversationnels — déployés en production pour +3 concessionnaires. – Conçu et déployé des chatbots avancés (OpenAI, DeepSeek, Ollama) générant un impact mesurable : +40% de réponses qualifiées sur les demandes entrantes. – Architecturé des assistants vocaux en temps réel (WebSockets, Twilio) avec interfaces React — réduit de 30% le temps de traitement des demandes client. – Créé des modèles IA génératifs produisant des prototypes automobiles 3D depuis des images 2D — innovation intégrée dans la stratégie go-to-market digitale. – Mis en place des outils d'automatisation IA personnalisés pour les flux de travail décisionnels.

– Construit des pipelines de données scalables avec PySpark et Airflow pour des tableaux de bord Power BI & Tableau validés par les clients Orange. – Déployé en production un LLM open-source (LLAMA2-7b) via Ollama, LangChain.js et ChromaDB pour générer des insights analytiques à partir des dashboards. – Appliqué des modèles LSTM et Transformers pour la prévision de séries temporelles — amélioration de la précision de +25% avec tracking MLflow & DVC. – Développé une application web Flask + React (TypeScript) conteneurisée (Docker) servant 50+ utilisateurs internes.

– Mis en place un cluster Kubernetes sur AWS / GCP / Azure pour le déploiement scalable de LLMs conteneurisés avec Docker. – Automatisé le pipeline CI/CD complet (build → test → déploiement) avec zéro downtime via kubectl et fichiers YAML optimisés.

– Conçu et développé des applications web full-stack avec Java, Spring Boot pour le backend et Angular pour le frontend, dédiées à la maintenance prédictive industrielle. – Collecté et exploité des données capteurs industriels intégrées via des API REST développées en Spring Boot — réduction des arrêts non planifiés sur machines rotatives. – Implémenté des microservices Spring Boot (Spring Data JPA, Spring Security) pour la gestion des expériences et le versionnement des modèles, avec intégration MLflow. – Développé des interfaces utilisateur dynamiques et responsives avec Angular (TypeScript, RxJS, composants réutilisables) pour le suivi des indicateurs de maintenance. – Exploité AWS S3 pour le stockage scalable des datasets et artefacts, garantissant la reproductibilité des expériences. – Automatisé le CI/CD des applications Java/Angular pour fiabiliser les déploiements.