Mohamed Zineddine BOUCHERIR

Développement et amélioration continue d'une plateforme SaaS innovante d'analyse de documents utilisant des modèles de langage avancés (LLM) tels que Llama 2, Llama 3 et Mistral. Intégration de Langchain pour orchestrer efficacement les interactions avec les LLM, optimisant la génération de réponses contextuelles et la manipulation de données complexes. Mise en place et optimisation d'un système de stockage vectoriel haute performance avec ChromaDB et FAISS, améliorant la vitesse et la pertinence des recherches sémantiques de 40%. Utilisation de VLLM pour optimiser les performances de traitement des LLM, réduisant les temps de latence de 35% et augmentant la capacité de traitement en parallèle. Conception et développement d'une API RESTful robuste avec Flask, facilitant l'intégration de la plateforme avec divers systèmes clients. Mise en oeuvre d'une stratégie de déploiement continu basée sur Docker, améliorant la portabilité et la scalabilité de la solution dans différents environnements cloud.

Conception et implémentation d'un système avancé de classification automatique des CV et de matching poste-profil, utilisant des techniques de pointe en Machine Learning et NLP, améliorant la précision du matching de 35%. Développement d'algorithmes de text mining et d'analyse sémantique, réduisant le temps de traitement des CV et des offres d'emploi de 60%. Création d'un chatbot d'analyse de CV innovant intégrant la méthode RAG (Retrieval Augmented Generation) et le modèle Llama 2, augmentant l'efficacité du processus de recrutement de 25%. Mise en place d'une architecture microservices avec Docker, améliorant la scalabilité et la résilience de l'application. Utilisation de MongoDB pour le stockage flexible des données non structurées, optimisant les temps de réponse pour les recherches avancées de 50%. Configuration et optimisation de serveurs Nginx, supportant efficacement une charge de 10 000 utilisateurs simultanés.