Mohamed Safouane Nebli

**Assistant Bancaire RAGFlow - Chatbot:** – Automatisation du rapprochement bancaire par appariement des transactions aux pièces justificatives (factures, paie, URSSAF, loyers) via Llama 8B et règles comptables métier. – Réduction des appels au support quotidien de 50 à 10. – Fonctionnalités : vérification de balance comptable en temps réel, récupération de documents, alertes d'anomalies et escalade transparente vers un opérateur humain. **Rapprochement Bancaire:** – Automated bank reconciliation by matching transactions to supporting documents (invoices, payroll, URSSAF, lease) using Llama 8B and domain-specific accounting rules. – Taux d'appariement de 98%, taux d'erreur de 0% (FP/FN), écritures comptables prêtes à l'emploi. **Automatisation Comptable par IA (LLaMA-8B / Qwen2.5-VL):** – Conception et mise en production d'un système comptable automatisé utilisant des LLMs multimodaux locaux (Qwen2.5-VL, LLaMA-8B) et une ingestion temps réel via l'API Gmail. – Développement de pipelines de classification documentaire, d'extraction structurée, de création de tickets et d'IA conversationnelle avec supervision humaine. – Auditabilité complète via PostgreSQL, remplaçant une équipe opérationnelle de six personnes. – Stack technique : LLMs locaux (Qwen2.5-VL, LLaMA-8B), API Gmail, PostgreSQL, Python, RAGFlow, GraphRAG, LightRAG

– Conception et livraison d'une architecture de tableau de bord KPI intelligent avec vues exécutives, managériales et opérationnelles, filtrage dynamique par période, analytique temps réel et système d'alertes avancé. – Intégration des référentiels d'analyse industrielle (QQOQCCPE, Ishikawa 7M, Pareto, 5 Pourquoi, analyse des flux) et implémentation d'une couche IA pour les diagnostics automatisés et la planification d'actions RTCA. – Stack technique : Nuxt.js, Vuetify, Go (Gin), MongoDB, Chart.js, IA appliquée, gouvernance KPI

– Conception et déploiement d'un système bilingue d'anonymisation de documents juridiques à traitement entièrement automatisé, réduisant l'effort de révision manuelle de 85%. – Prototypage de workflows de validation par RAG pour les entités contextuelles, ramenant les faux positifs à moins de 5% tout en élargissant la couverture effective du jeu de données.