Rami Gaaloul

Mission principale : Concevoir, animer et piloter des programmes intensifs de formation Data Analyst, menant à la certification RNCP niveau 6, tout en accompagnant la montée en compétences de profils en reconversion. Pilotage & Encadrement • Supervision de 9 promotions (bootcamps intensifs) et 120 apprenants formés. • Mise en œuvre de la méthodologie Agile (Scrum) pour le suivi de la formation et des projets Data : daily, sprint, review, rétrospective. • Développement d’une posture de leadership pédagogique favorisant l’autonomie et la collaboration. Data, IA & Innovation • Cadrage fonctionnel de use cases en Machine Learning, IA Générative et Reporting. • Animation de différents ateliers collaboratifs pour stimuler la créativité et la résolution de problèmes. • Implication dans l’amélioration continue du programme via la veille technologique et la mise à jour des contenus pédagogiques. Expertise Technique & Transmission • Enseignement et accompagnement sur les piliers Data : Python, SQL, ELT, Power BI, Machine Learning, IA Générative. • Conception de supports pédagogiques orientés use cases concrets et industrialisation de la donnée. • Contribution à la transformation data-driven de profils variés .

• Mission principale : Concevoir et automatiser une plateforme Data Science destinée à accélérer le développement de modèles prédictifs pour différents secteurs d’activité. • Objectif & Impact : Création d’un outil de recommandation automatisée permettant à la fois aux Data Scientists et aux experts métiers (non techniques) d’optimiser leurs modèles de classification. • Validation du concept à travers plusieurs cas d’usage concrets et à fort impact business : - Prédiction du churn client (Télécommunications) - Détection de défaut de paiement (Banque) - Identification de fraudes d’entreprises - Prédiction de souscriptions clients (Marketing) • Mise en place d’un pipeline complet de prétraitement et d’optimisation de différents modèles (KNN, SVM, Logistic Regression, Decision Tree, Random Forest, XGBoost). • Réalisation d’un benchmark d’optimisation avancée intégrant : algorithmes génétiques, optimisation bayésienne, grid search, random search et PSO (Particle Swarm Optimization).

Formation Intensive en Intelligence Artificielle (Bootcamp d'un mois) Ce programme accéléré a permis de consolider l'expertise sur l'ensemble du cycle de vie des projets Data Science • Pipeline Data : Maîtrise des étapes fondamentales de prétraitement et de visualisation de la donnée • Modélisation Machine Learning : Application des techniques de prédiction supervisée et non supervisée • Challenge et Compétition : Participation active à plusieurs compétitions et hackathon • Projet Final : Réalisation d'un projet de prédiction du churn client avec un score de performance atteint de 88%

• Étude d'un projet de traduction de noms propres (NLP) et des exigences de la modélisation séquentielle. • Initiation aux architectures de réseaux neuronaux récurrents (RNN) et au modèle Bi-Directional LSTM . • Premiers pas dans l'environnement PyTorch, un outil fondamental dans le développement de modèles d'IA avancée.

Ce projet d'étude était axé sur la détection et la classification de la fraude dans les transactions bancaires. Il a nécessité l'exploration de différents models de prévision ainsi qu'à l'utilisation des techniques de réduction de dimensions.

Gestion de Projet Industriel & R&D : • Pilotage d’étudese technico-économiques de nouveaux projets industriels, incluant les fibres synthétiques recyclées • Gestion complète du cycle de vie des projets R&D : Benchmarking, étude de marché, élaboration de business plans, conception des dossiers techniques, négociation des fournisseurs et prototypage. • Conception et design des lignes de production associées aux nouveaux projets. Management de la Qualité Data-Driven : • Mise en place de la stratégie qualité et des procédures associées pour l'entreprise. • Implémentation de procédure data-driven de contrôle de la qualité, démontrant l'application précoce des données dans les processus industriels. • Gestion d’un projet d’amélioration continue utilisant la méthodologie Lean Six Sigma

Projet de Recherche (R&D) : Étude approfondie de l'influence de la distribution de la longueur des fibres sur les propriétés structurelles et mécaniques des rubans et des fils

Pilotage de l'Innovation Produit (R&D) : • Développement de nouvelles gammes de couleurs et conception de nouveaux produits haut de gamme • Préparation et livraison des collections destinées aux foires internationales. Gestion de Projet : • Planification des commandes d'échantillons et gestion des différents flux d'encours, assurant le respect des délais de production R&D. Contrôle Qualité et Validation Client : • Mise en œuvre du contrôle de la qualité des échantillons. • Validation finale des produits avec les clients

Projet de Fin d'Études : Analyse et Décision Stratégique : • Réalisation d'une étude technico-économique approfondie pour sélectionner le processus le plus bénéfique et rentable pour l'entreprise . • Le processus choisi, fondé sur l'électrocoagulation suivie des techniques de filtration membranaire, a été validé pour son efficacité et son impact économique. Résultat et Innovation : • Conception d'une solution de recyclage des eaux usées issues des processus de teinture, finissage et impression .

Analyse des Procédés & Matériaux Avancés : Observation et compréhension des processus de production de renforts composites tissés et multiaxiaux, basés sur des fibres techniques (verre, carbone, aramide), pour les secteurs de l'aéronautique et de la voile. Résolution de Problèmes Qualité (Six Sigma) : Utilisation structurée des outils de la qualité (Ishikawa, 5 Why, Brainstorming, Six Sigma) pour l'analyse et la détermination des causes profondes des problèmes affectant le tissu en fibre de verre.

• Analyse des Procédés : Observation et documentation des opérations de teinture et de finissage sur tissu, étapes déterminantes pour les propriétés fonctionnelles et esthétiques du produit final. • Enjeux Qualité : Identification des variables critiques de ces processus susceptibles d'impacter la qualité et les performances, en cohérence avec les standards de l'industrie. Valeur Ajoutée : Consolidation de la connaissance du cycle de vie complet du produit industriel.