Mohamed FASSIH

Développement d’une application d’audit de sites web basée sur les règles Opquast (projet en cours) : automatisation de la vérification de critères tels que l’accessibilité, l’UX et la conformité. - Développement en Python avec Streamlit, Selenium, BeautifulSoup, Lighthouse, Docker. - Implémentation d’une trentaine de règles via approches déterministes et LLM/VLM (Google Gemini). - CI/CD avec GitHub Actions et déploiement sur Google Cloud Run (GCP). Interventions pour SOCOMEC et Antalis : cadrage et pilotage du développement de solutions en Intelligence Artificielle Générative et Chatbots. - Recueil des besoins métiers et définition des cas d’usage. - Coordination des parties prenantes et animation d’ateliers. - Développement et déploiement de Chatbots basés sur du RAG et des outils Open Source. - Benchmark et tests de solutions d’IA Générative. - Stack : Python, LangChain, LLMs, outils Open Source, Monday. Environnement technique : • Langage : Python, SQL, R. • Méthodes : Machine Learning, LLM, RAG, Statistiques, Mathématiques, Data Cleaning, Features Creation. • Framework : scikit-learn, XGboost, tensorflow, keras, Scipy, Pytorch, pandas, numpy, matplotlib, plotly, Streamlit, Lighthouse, Selenium. • Cloud : Google Cloud Plateform (Big Query, Vertex AI, Dataform, Composer, ...), Dataiku, Azure Databricks, Looker. • Environnement : Docker, Anaconda, JupyterLab, Jupyter Notebook, VSCode. • Systèmes : Windows. • Outils : Git, Github, Gitlab, JIRA, Monday.

- Développement d’un simulateur d’aide à la conduite axé sur l’éco-conduite (Serious Game) → amélioration de l’efficacité énergétique et réduction des consommations sur simulateur. - Mise en œuvre d’algorithmes avancés (Q-Learning, Deep Q-Learning, Kohonen) → optimisation des phases de conduite et génération de comportements réalistes. - Conception et industrialisation de pipelines de traitement de données → automatisation de la collecte, transformation et modélisation des données brutes en scénarios exploitables. - Développement d’un système de recommandation de véhicules adaptés aux tournées de transport → optimisation de l’allocation des ressources et réduction des coûts opérationnels. - Conception d’un modèle prédictif de dépassement du temps de travail des conducteurs → anticipation des risques et amélioration de la planification. - Collaboration transverse avec experts métiers et académiques → formalisation des connaissances, ateliers de co-construction et restitution claire auprès d’interlocuteurs variés. - Production scientifique et pédagogique : rédaction de rapports et publications, enseignement de modules de Master, encadrement d’étudiants. Environnement technique : • Langage : Python, SQL, R. • Méthodes : Machine Learning, Reinforcement Learning, Data Viz, Statistiques, Mathématiques, Data Cleaning, Features Creation. • Framework : scikit-learn, XGboost, tensorflow, keras, Scipy, Pytorch, pandas, numpy, matplotlib, plotly, Grafana. • Environnement : Anaconda, JupyterLab, Jupyter Notebook, VSCode. • Systèmes : Windows. • Outils : Git, Github, Gitlab, JIRA, Latex.

• Outil de détection de contrefaçon de produits de luxe type « maroquinerie » à l'aide du traitement d'images. • Développement des algorithmes de filtrage, segmentation et détection de points d'intérêt.