Ramy Hafdi

I. Projet de décommissionnement SAS grâce a l'IA générative : visant à migrer à grande échelle et à remplacer progressivement un écosystème historique basé sur SAS par des langages open-source (principalement Python et SQL), via le fine-tuning de LLM (notamment LLaMA 3.1) sur Vertex AI (GCP), afin de réduire la dépendance éditeur, maîtriser les coûts de licences et rendre le processus reproductible et industrialisable pour les équipes métiers. II. MMM Simulation (Marketing Mix Modeling) data engineering & Analytics: Mise en place d’une chaîne data engineering et analytics sur Azure pour fiabiliser et industrialiser un dispositif de simulation MMM, permettant aux équipes marketing de piloter l’allocation budgétaire et de mesurer l’impact incrémental des leviers (médias, promotions, etc.), avec restitution décisionnelle sous Power BI.

I. Chaîne Data & Simulation OLGA (Data Engineering pour préparation des jeux de données): Exploitation de simulations OLGA (scénarios réalistes de puits de gaz, paramétrés par débit, conditions opératoires, géométrie du puits, etc.) et industrialisation d’une chaîne data pour fiabiliser la préparation des datasets avant modélisation. II. Modélisation Data Science - Détection du liquid loading dans des puits de gaz: Mettre en place d’un dispositif de détection du liquid loading afin d’anticiper les pertes de production et de réduire les arrêts non planifiés, via une approche ML industrialisable et monitorée dans Dataiku.

I. Systeme RAG - Document Question Answering haystack (RAG sur documentation technique): Mise en œuvre d’un système de questions-réponses sur documentation technique client, basé sur le RAG, afin de fournir des réponses contextualisées et sourcées, et de réduire significativement le temps de recherche d’information pour les équipes. II. Text-to-Ontology (extraction d’entités & relations métier): Développement d’un pipeline Text-to-Ontology visant à transformer des documents / verbatims métier en une représentation structurée (entités, relations, concepts), afin de faciliter la compréhension des enjeux clients et d’alimenter des usages aval (recherche, QA, cartographie de connaissances).

I. Système de tarification client & segmentation comportementale : Mise en place d’un dispositif data pour alimenter la tarification client, via l’exploitation de données multi-sources et des modèles de segmentation non supervisés, afin d’aligner le pricing sur la valeur réelle des clients et d’appuyer les décisions de gouvernance.