Abdelmouise ROCHDI

– Cadrage technique de projets IA : conception d'architectures end-to-end (data, modèles, APIs, déploiement) sur des environnements hybrides (OpenShift on-premise et cloud public), en intégrant contraintes de sécurité bancaire, latence et scalabilité. – Pilotage technique et accompagnement des équipes : revues d'architecture et de code, définition de standards (API, packaging, MLOps), et montée en qualité des livrables. – Déploiement de solutions IA sur OpenShift avec orchestration Kubernetes et intégration de workloads ML/LLM exploitant des GPU pour l'inférence et le traitement de données sensibles. – Solutions de vision par ordinateur pour la vérification documentaire (factures, signatures, chèques) : intégration OCR et pipelines de traitement, avec exploitation de services cloud (Azure / GCP) pour l'industrialisation et les traitements batch/near real-time. – Conception et déploiement d'une solution IA de recrutement basée sur la CVthèque : extraction automatisée, scoring et matching offre/candidat, avec stockage analytique et traitements sur BigQuery et pipelines ML déployés via Vertex AI. – Développement d'enablers IA pour l'optimisation des processus internes : classification d'opérations et automatisation documentaire, en s'appuyant sur des architectures RAG et des services managés de type Vertex AI et Azure OpenAI. – Amélioration de la recherche d'information mono- et multi-verticale : mise en place d'architectures RAG connectées à des LLM, avec ingestion de données via Cloud Storage / Blob Storage et indexation vectorielle.

– Pilotage d’un split logique d’un Data Lake multi-entités (France, Outre-Mer, Maroc, Tunisie…) au sein d’une plateforme Hadoop mutualisée. – Conception et mise en œuvre de l’isolation des environnements par entité bancaire, tout en conservant une infrastructure technique commune. – Séparation des machines de rebond HDFS (edge nodes) afin de garantir l’étanchéité des accès et des usages par banque. – Mise en place et configuration de queues YARN dédiées par entité (capacity / fair scheduler), avec gestion des priorités et quotas de ressources. – Définition et application des règles de sécurité et de gouvernance des données : • droits HDFS (ACLs, ownership), • permissions Hive (bases, tables, vues), • contrôle d’accès par rôles et groupes. – Adaptation du code applicatif et des jobs Spark/Hive pour gérer les spécificités fonctionnelles et réglementaires de chaque banque. – Structuration et séparation des repositories GitLab par entité (code, configurations, pipelines). – Mise en place de pipelines CI/CD Jenkins distincts (build, déploiement, promotion) adaptés aux environnements et contraintes de chaque banque. – Intégration de l’orchestration des traitements via AutoSys, avec gestion des dépendances inter-jobs et des calendriers par entité. – Coordination étroite avec les équipes Data, Sécurité, Infrastructure et Métier pour assurer la conformité, la robustesse et la scalabilité de la solution.

– Contribution à la feuille de route Data/BI et cadrage des chantiers prioritaires. – Mise en place de bonnes pratiques d'industrialisation : GitLab, packaging, structuration du code, validation des approches. – Développement de modèles ML et accompagnement des équipes sur les choix techniques. – Restitution et vulgarisation auprès d'audiences techniques et non techniques.

– Cadrage avec les métiers : recueil des besoins, définition des objectifs, cadrage des données et du périmètre projet. – Développement de solutions ML/DL : détection d'anomalies et maintenance prédictive (autoencodeurs, LSTM), prévision de séries temporelles, analyse causale (réseaux bayésiens). – Industrialisation : déploiement via dashboards/APIs/web-app (Dash) et suivi du cycle de vie des modèles avec MLflow. – Rédaction de rapports d'étude et présentation des résultats (CODIR/COPIL) avec focus valeur métier. – Mentorat et intrapreneuriat : évaluation de faisabilité, proposition d'architectures et accompagnement des équipes.

– Génération de données opérationnelles sur les mouvements d'aéronefs via des approches à noyau. – Clustering (DBSCAN, HDBSCAN) pour reconstruire et répliquer l'infrastructure aéroportuaire. – Industrialisation sur Palantir pour le traitement streaming à grande échelle.