Saad Yaqine

– Conception d'un modèle de scoring (XGBoost) priorisant les appels à fort potentiel de conversion : +46% de taux de contact utile, précision 94%. – Pipeline CI/CD complet : tests automatisés (précision, latence), déploiement progressif et monitoring de drift. – Réduction du time-to-market de 30% grâce à l'automatisation du déploiement (Docker, Azure ML).

– Modèle NLP combinant TF-IDF et embeddings + Random Forest: précision de 78% à 92% sur 15 catégories d'annonces. – Déploiement en production via microservice FastAPI sur Vertex AI, traitement temps réel des nouvelles annonces.

– Construction du dataset MAGENTA : 25K+ textes arabes pour la détection de texte généré par IA (3 domaines : actualités, critiques, articles). – Génération de textes synthétiques via LLM (AraGPT-2, BLOOM) et fine-tuning d'AraBERT: 96.4% Macro-F1. – Publication: ICALP 2023 (International Conference on Arabic Language Processing), Springer.

– Analyse des données de maintenance (capteurs, ERP, historiques d'interventions) pour transition de maintenance curative vers prédictive. – Construction d'un pipeline ETL pour centraliser des sources hétérogènes dans Snowflake et création de dashboards Tableau (-40% temps de reporting).