samia korichi

– *Secteur Pharma, Biotech* – Analyse des besoins métier et traduction en spécifications techniques pour des solutions IA. – Mise en place de pipelines end-to-end (prétraitement, entraînement, validation, déploiement). – Industrialisation et structuration des expérimentations selon bonnes pratiques MLOps et ML Engineering. – Prompt engineering et batch prediction pour optimiser les performancse des modèles et automatiser les processus décisionnels.

– Développement de modèles prédictifs basés sur les données de sortie usine et données après vente pour anticiper les incidents qualité et réduire les coûts liés aux retours en garantie. Conception, entraînement et déploiement de modèles ML, MLP sur Google Cloud Platform. – Analyse des données véhicules et des verbatims opérateurs afin d'identifier les causes principales des anomalies, détecter les tendances et orienter les actions correctives. Utilisation d'approches NLP et d'LLMs pour améliorer la compréhension terrain. – Analyse concurrentielle et classification automatique des pièces issues de teardowns: intégration de données multimodales (texte, images, dimensions) pour classifier les composants selon leur criticité, comparer la qualité concurrente et aider à la prise de décision en ingénierie. – Application de l'IA générative et VQA pour automatiser la vérification de la conformité des pièces et des processus aux exigences qualité.

– Conception et automatisation d'un pipeline de data processing pour structurer, enrichir et fiabiliser les données produits, améliorant la qualité des analyses et réduisant les tâches manuelles des équipes métier. – Extraction d'insights à partir de verbatims clients grâce à des techniques avancées de NLP (TF-IDF, topic modeling, clustering), permettant d'identifier les signaux faibles, les tendances émergentes et les axes d'amélioration produit. – Prototypage et évaluation de modèles Transformers pré-entraînés (BERT, DistilBERT) pour des tâches de classification textuelle, avec comparaison systématique des performances face aux approches classiques. – Recommandations data-driven auprès des équipes produit et marketing, basées sur des analyses quantitatives et qualitatives des retours clients. – Contribution à la mise en place de solutions NLP évolutives, en préparant l'intégration future de modèles plus robustes dans les workflows internes.

– Extraction et intégration de données hétérogènes multi-sources pour la modélisation d'un graphe de connaissances reliant établissements, critères et indicateurs de performance. Application de méthodes heuristiques et d'optimisation pour la pondération, l'analyse de cohérence et l'explicabilité des relations.