Mouhamadou Seck

Conception et implémentation d’un chatbot intelligent exploitant une architecture RAG (Retrieval-Augmented Generation) combinant LangChain, modèles open-source (Mistral, DeepSeek, Qwen, Gemma), embeddings avancés (BGE, E5, Nomic) et une base vectorielle locale (FAISS, Chroma). Le système permet l’interrogation contextuelle de documents industriels (PDF, Markdown, DOCX, etc.. ) via une interface web moderne (Streamlit). Fonctionnalités clés : parsing automatique, chunking dynamique, génération de vecteurs, ranking par similarité cosine, requêtage sémantique, historisation des sessions et tuning interactif des hyperparamètres (température, max_tokens) Technos : Python · LangChain · Streamlit · Hugging Face Hub · Transformers · LLMs open-source (Ollama) · Prompt Engineering · Marker · PyMuPDF · RAG pipeline

Lors d’un projet académique, j’ai conçu un modèle ConvLSTM2D pour anticiper l’évolution de la vorticité dans des fluides turbulents à partir d’images issues de simulations DNS. Pour améliorer l’efficacité, j’ai appliqué la transformée en ondelettes (PyWavelets) afin de compresser les données d’entrée, et optimisé les hyperparamètres pour un équilibre entre précision et performance. Le modèle a été entraîné sur un cluster HPC via Slurm, atteignant des résultats solides (MSE = 0.0023, SSIM = 0.89). Ce travail a été synthétisé dans un rapport scientifique complet en LaTeX. Technos : Python, TensorFlow, ConvLSTM2D, PyWavelets, HPC, Slurm, LaTeX

Dans le cadre d'un projet industriel majeur, j'ai analysé et quantifié l'origine des rayures sur les bandes d'acier lors du décapage, en utilisant notamment un modèle logistique. Grâce à des méthodes avancées d'analyse de données et à l'exploitation de données capteurs, j'ai identifié la vitesse minimale (Vmin) comme facteur clé. Il a été démontré que 64,7% des rayures survenaient à cette vitesse, précisément au niveau des dômes séparant les bacs (1, 2 et 3). Ces travaux ont mené à l'élaboration d'une cartographie détaillée des causes, fournissant des solutions concrètes pour réduire ces défauts et optimiser la production. Technos : Python, Pandas, Scikit-learn, SQL, analyse de signaux, régression logistique, statistiques industrielles.