Rabeb Kaabi

Développement d’une solution IA multi-agents (ADK / Agent Engine / Gemini Enterprise) Conception et développement d’une solution multi-agents personnalisée avec ADK et Agent Engine, depuis l’initialisation jusqu’à l’intégration en production. Développement et orchestration de systèmes multi-agents sur Gemini Enterprise. Configuration de connecteurs A2A et MCP pour intégrer des applications internes et tierces (ex. Databricks). Intégration de technologies avancées : RAG, Prompt Engineering, protocoles agent-to-agent (A2A) et MCP. Assurance d’un déploiement fiable et opérationnel sur Cloud Run et Agent Engine. Enregistrement et configuration du multi-agent sur Gemini Enterprise. Agent de vérification fournisseurs (Supplier Verification Agent) Développement d’un agent ADK dédié à : -recherche fournisseurs via Databricks (connecteur MCP), -vérification et l’analyse du score RSE pour chaque fournisseur.

-Conception et développement d’un système de traduction automatique multilingue (Markdown, HTML, emails) en conservant la mise en page complète : liens, images, tableaux, ancrages, styles. -Mise en place d’une API FastAPI pour la traduction, le traitement documentaire et la génération de contenu. -Intégration de Gemini 2.5 Pro (GCP) pour la génération et la traduction contextuelle de contenus complexes. -Conception d’un pipeline RAG / Agentic RAG : embeddings HuggingFace, Firestore, prompts avancés. -Développement d’un assistant multilingue avec gestion du glossaire technique et règles de non-traduction. -Implémentation d’un support client automatisé avec compréhension contextuelle. -Déploiement cloud-native : Docker, Cloud Run, Artifact Registry, configuration de GCS. -Mise en place des bonnes pratiques de sécurité et d’ingénierie : IAM, Service Accounts, qualité et supervision du code. Stack : Python, FastAPI, LangChain, Gemini 2.5 Pro, RAG,HuggingFace Embeddings, Docker, Cloud Run, GCS, Artifact Registry, IAM.

● Cadrage Modèle de données : Prototypage d’un contrat d’interface en commun , Rapprochement avec le Modèle de rÉfÉrence : ● Exploration et validation des flux grâce à une approche data-driven, améliorant la compréhension et l’optimisation des échanges entre les systèmes. ● Mise en place d'un pipeline pour la validation et la structuration des mappings entre systèmes d'information RH ● Nettoyage et structuration des données avec normalisation des champs et gestion des valeurs manquantes, génération d’identifiants uniques pour chaque champ , détection et reporting des erreurs ● Développement d’un pipeline automatisé de rapprochement entre un modèle de référence et le prototype de contrat d’interface (PCIC) ● Implémentation d’une approche NLP avec Hugging Face pour générer des embeddings et mesurer la similarité cosinus entre les descriptions et les libellés de référence.

Classification des User Stories via LLM, extraction des relations entre celles-ci et génération automatique de code prêt à l’emploi à partir des User Stories en s’appuyant sur LLM et RAG. Déploiement robuste du modèle avec CI/CD, architecture microservices, ainsi que logging et monitoring avancés via MLflow, tout en intégrant les exigences métiers. Animation de Formations internes: Longchain, LLM,RAG Code reviews

Création et industrialisation d’une solution data-driven pour le matching candidats / postes en combinant Computer Vision (Mask R-CNN, YOLO), OCR et NLP (Spacy, NLTK, Transformers). Extraction automatique des informations clés (ROI) : coordonnées, parcours académique, expériences professionnelles et compétences des candidats. Rapprochement et scoring automatique des candidats selon les compétences demandées, facilitant la sélection et le tri des profils. Déploiement et industrialisation : mise en production sur AWS SageMaker, avec pipelines de training, versioning et monitoring, garantissant scalabilité et fiabilité. Développement d’une application Django pour l’intégration et la visualisation des résultats. Code reviews et bonnes pratiques MLOps pour assurer la qualité, la maintenabilité et la traçabilité des modèles.

Conception et développement d’un modèle DeepSurv (extension deep learning du modèle de Cox) pour prédire avec précision le temps de survie des patients, en intégrant données cliniques et CT Scan. Industrialisation et mise en production via une application web Django, permettant la gestion des données, l’entraînement automatisé du modèle et la visualisation interactive des résultats. Mise en place de pipelines robustes pour le traitement des données et le suivi des performances du modèle (monitoring, logging et versioning). Impact clinique : outil support pour les équipes médicales, facilitant la prise de décision et la priorisation des traitements.

Mise en place d’un système automatisé de lecture des chiffres affichés sur des compteurs d’eau à partir d’images. Détection des régions d’intérêt (ROI) contenant les chiffres à l’aide du modèle Mask R-CNN, entraîné pour localiser précisément les zones utiles sur les compteurs. Reconnaissance des chiffres via un modèle CRNN (Convolutional Recurrent Neural Network), combinant les capacités de détection spatiale (CNN) et de séquençage temporel (RNN) pour lire les digits alignés. OCR personnalisé pour extraire le texte avec fiabilité à partir des ROI détectés, notamment dans des conditions de faible éclairage ou de qualité d’image variable. Développement d’un pipeline complet d’inférence, de la détection à la prédiction, avec gestion des erreurs et reporting automatisé. Enrichissement métier : prise en compte des contraintes spécifiques du domaine (format des compteurs, vérification de cohérence, traitement des anomalies).

PHD in Deep Learning -Image Processing....

INTELLIGENCE ARTIFICIELLE ET VISION PAR ORDINATEUR AU SERVICE DE LA PRÉVENTION CONTRE LES FEUX DE Forets

My Master degree on electrical engineering (Image Prorceesing) was established in LSIS laboratory (France) .I worked on Separation of mixed pixels in hyperspectral imaging using Non-negative Matrix Factorization . An important problem in hyperspectral imaging data applications is to identify materials present in the object or scene being imaged and to quantify their abundance in the mixture. Due to the increasing quantity of data usually encountered in hyperspectral datasets, we faced problems to treat hyper matrices with classical method and methods based on NMF decomposition.