Mohamed Sidi

– Architecture et developpement d'un pipeline de classification produits e-commerce end-to-end sur 12M+ produits avec approche hybride (modeles vanilla + LLM zero-shot), augmentant la precision de 60% a 90% sur 4 niveaux de profondeur – Conception de patterns d'ingestion, transformation et restitution de donnees produits (structurees et non structurees) a grande echelle avec mecanismes de retry multi-LLM et optimisation des performances – Architecture de solutions GenAI incluant pipelines d'extraction structuree de documents PDF avec integration LLM et orchestration d'agents pour automatisation de processus metier – Mise en place de monitoring LLM avec Langfuse : tracking des couts, latences, qualite des outputs et prompt versioning pour optimisation continue (LLM FinOps) – Developpement de systemes de prevision de demande hierarchique avec LightGBM pour prediction multi-zones appliques au secteur e-commerce – Migration complexe de bases de donnees e-commerce : 400K+ records, transformations de schemas multi-tables – Optimisation de performances API critiques : resolution de latences de 30s, debugging et amelioration de systemes de classification en production – Creation de propositions techniques et architecturales completes pour clients du secteur retail et e-commerce

– Leadership technique sur l'implementation, evaluation et fine-tuning de LLMs (transition modeles proprietaires vers open source) avec frameworks d'evaluation systematiques – Developpement et optimisation de datasets specifiques pour fine-tuning, ameliorant significativement performance et pertinence des modeles – Mise en place de pipelines d'evaluation LLM automatises : benchmarking, metriques de qualite, detection de regressions et monitoring en production – Expertise en prompt engineering, prompt caching et gestion de versions de prompts pour maximiser efficacite operationnelle et reduire les couts d'inference – Implementation de strategies LLM FinOps : suivi et optimisation des couts tokens, selection de modeles cout/performance, prompt caching pour reduction de latence et de couts

– Amelioration de l'efficacite plateforme via analyse de donnees avancee et pipelines Python optimises – Rationalisation du traitement de donnees a grande echelle avec Python, Elasticsearch et PySpark – Implementation de pipelines ML automatises et monitoring de modeles en production

– Developpement de modeles de prevision des ventes avec approches ML avancees – Implementation de strategies data-driven pour optimisation de retention client

– Developpement de produit SaaS utilisant Computer Vision et Deep Learning pour surveillance de files d'attente – Optimisation d'analyse de flux video temps reel avec deploiement AWS

– Developpement plateforme e-commerce complete avec Django Rest et React – Mise en place infrastructure DevOps avec Docker, Jenkins, AWS