Nidal Zaiani

– Conception d'une application capable d'analyser des documents d'entreprise (contrats, factures, CV, courriers, documents techniques) afin de les classifier automatiquement et d'alimenter leurs métadonnées dans SharePoint. L'objectif était d'accélérer le traitement documentaire, fiabiliser la saisie et améliorer l'expérience utilisateur. – Développement d'un pipeline d'extraction de texte pour fichiers PDF et TXT avec PDF.js. – Intégration de Mistral Large 2 via Azure AI Foundry pour classifier les documents et extraire les métadonnées. – Mise en place d'une logique de score de confiance avec fallback vers validation manuelle. – Conception d'une architecture en 3 niveaux: automatique, assistée et manuelle. – Intégration avancée à SharePoint Online avec lecture dynamique des colonnes et mapping automatique des métadonnées. – Implémentation de fuzzy matching pour les champs à choix. – Architecture modulaire avec services découplés: extraction, classification, LLM et SharePoint. – Support multi-providers : Azure AI, Claude et OpenAI. – Temps de classement documentaire divisé par 10. – Taux de détection automatique supérieur à 85%. – Déploiement rapide dans Microsoft 365 / SharePoint via SPFx. – Mise en production sur des cas d'usage réels de gestion documentaire.

– En tant que Data Scientist, j'ai développé une plateforme de validation IA pour comparer les détections de modèles YOLO à celles de caméras intelligentes AXIS. L'objectif était de mesurer la fiabilité des systèmes de surveillance automatisée, d'en améliorer la traçabilité et de répondre à de fortes exigences industrielles. – Développement d'un pipeline de détection temps réel avec YOLOv8 et YOLOv11 sur plusieurs classes d'objets. – Mise en place du tracking multi-objets avec BoT-SORT et DeepSort. – Comparaison des détections AXIS vs YOLO via unification des métadonnées, transformation de coordonnées et synchronisation temporelle. – Implémentation de l'algorithme hongrois pour l'appariement optimal des détections. – Calcul de métriques de performance: IoU, taux de matching, faux positifs et faux négatifs. – Développement de fonctions de line crossing detection, comptage par direction et capture automatique de screenshots. – Génération de rapports HTML interactifs et dashboards d'analyse. – Export des résultats en JSON et Excel. – Structuration d'une architecture modulaire, reproductible et industrialisable. – Déploiement d'une plateforme de validation croisée pour systèmes de surveillance vidéo. – Optimisation des traitements temps réel avec TensorRT et CUDA. – Automatisation du reporting pour les équipes métier et les besoins de conformité.

– Le Groupe Vicat, acteur clé des matériaux de construction depuis 1853, est présent dans 12 pays. En 2024, il a réalisé un chiffre d'affaires consolidé de 2,916 milliards d'euros. Il se distingue par son engagement en faveur des ciments bas carbone. En tant que Data Scientist, je mène des projets stratégiques en Data Science et Machine Learning pour améliorer la qualité des produits, optimiser les processus industriels et renforcer la sécurité sur les sites de production. – Développement d'un agent conversationnel interne basé sur des LLM, déployé sur AWS, pour automatiser les réponses techniques et faciliter l'accès aux données internes. – Prédiction des ventes de ciment via des modèles de séries temporelles pour ajuster production et logistique. (Python et Scikit-Learn) – Analyse exploratoire et prédictions pour améliorer la qualité des ciments et des recettes de fabrication. (Python, Scikit Time, Facebook Prophet) – Classification des blocs de béton et détection d'incendies par vision par ordinateur, renforçant la sécurité et le contrôle qualité. (Python, Open-cv, PyTorch Facebook/detr-resnet-50, Deep Learning) – Développement d'un model de détection d'incendies. (Python, open-cv, YOLO, CNN, Deep Learning) – Réduction des délais de chargement grâce à des modèles prédictifs. – Diminution des écarts de qualité du ciment via l'optimisation des processus. – Améliorations des recettes et process de fabrication du ciment.

– Reprise d'une application critique destinée à automatiser la rédaction de configurations réseau complexes (plusieurs centaines de lignes). Cette application, essentielle au paramétrage d'infrastructures réseau, était inutilisable après un an de développement infructueux. Mon rôle était de déboguer, optimiser et finaliser l'application pour répondre aux besoins des ingénieurs. J'ai adopté une approche agile, priorisant des livraisons rapides pour restaurer la confiance du client. – Analyse et débogage de l'application. – Réécriture des modules critiques. – Pipelines automatisés pour générer des configurations complexes. – Échanges réguliers pour comprendre leurs besoins. – Tests et ajustements itératifs pour une application intuitive. – Approche agile pour rétablir la confiance : Livraisons rapides pour répondre à l'urgence du client. – Réduction du temps nécessaire à la rédaction des configurations. – Livraison d'une application adoptée par 100 % des équipes concernées. – Suppression des tâches redondantes, permettant aux ingénieurs de se concentrer sur des missions stratégiques.

– J'ai intégré une équipe composée d'un développeur, du directeur de l'ILM et de la directrice RH. Nous avons travaillé sur une application RH pour gérer les chercheurs. L'objectif était de : Centraliser les données administratives, D'automatiser les processus, Fournir des outils d'analyse pour améliorer l'efficacité. – Conception de pipelines pour automatiser le traitement des informations liées aux chercheurs. – Création et optimisation de bases de données en PostgreSQL. – Développement de dashboards interactifs pour visualiser les flux, les ressources et les délais. – Fourniture des KPI's exploitables pour les décideurs. – Échanges avec les chercheurs pour comprendre leurs besoins en gestion et analyse des données. – Exploration de projets en mêlant développement et Data. – Réduction des délais administratifs grâce à l'automatisation. – Adoption de l'application par plus de 50 utilisateurs. Avec une amélioration de la traçabilité et une baisse des erreurs humaines. – Mise en œuvre de dashboards facilitant les décisions stratégiques.