ozdi.org

Conception et déploiement d’un assistant intelligent basé sur une architecture RAG (Retrieval-Augmented Generation) permettant de répondre de manière contextualisée à partir de données métier (portfolio, projets, documents). L’application est conçue pour être scalable, sécurisée et exposée via une infrastructure cloud complète, avec diffusion des réponses en temps réel.Réalisations principales :<ul><li>Développement d’APIs backend avec FastAPI pour interagir avec un modèle LLM</li><li>Implémentation d’une architecture RAG (indexation, embeddings, recherche vectorielle, génération)</li><li>Mise en place du streaming des réponses (Server-Sent Events / streaming HTTP) pour afficher les réponses du LLM en temps réel</li><li>Gestion de la récupération de contexte à partir de documents (CV, projets, données métier)</li><li>Intégration d’un assistant conversationnel accessible via interface web</li></ul>Data &amp; orchestration :<ul><li>Stockage des données dans Cloud Storage</li><li>Gestion des métadonnées et du contexte avec Firestore</li><li>Pipeline de traitement pour ingestion et mise à jour des données</li></ul>Cloud &amp; architecture distribuée :<ul><li>Déploiement du backend sur Google Cloud Run (serverless, scalable)</li><li>Exposition via un External HTTP(S) Load Balancer</li><li>Configuration d’un Serverless NEG pour connecter Cloud Run au load balancer</li><li>Mise en place d’un backend service avec IP publique fixe</li><li>Configuration DNS pour exposer l’API via un domaine personnalisé</li><li>Architecture découplée frontend/backend (frontend sur Firebase Hosting)</li></ul>Sécurité &amp; gestion du trafic :<ul><li>Intégration de reCAPTCHA v3 pour protéger les endpoints publics contre les bots</li><li>Mise en place de Cloud Armor pour le rate limiting et la protection contre les abus</li><li>Filtrage du trafic au niveau du load balancer</li></ul>Base de données &amp; performance :<ul><li>Optimisation du temps de réponse via streaming des réponses LLM (réduction de la latence perçue)</li><li>Mise en cache et gestion efficace des appels LLM</li><li>Amélioration de la réactivité globale de l’application</li></ul>Technologies :<ul><li>Python, FastAPI (Streaming / SSE)</li><li>Google Cloud Run</li><li>Cloud Storage, Firestore</li><li>Firebase Hosting</li><li>Cloud Armor, External Load Balancer</li><li>reCAPTCHA v3</li><li>Vector search / embeddings</li></ul>Impact :<ul><li>Assistant IA avec réponses temps réel en streaming (expérience utilisateur améliorée)</li><li>Architecture cloud sécurisée et scalable prête pour une exposition publique</li><li>Réduction des abus grâce au rate limiting et à la protection anti-bot</li><li>Meilleure performance perçue et fluidité des interactions</li></ul>

Conception d’un assistant IA temps réel (RAG) avec streaming, déployé sur une architecture cloud sécurisée (Cloud Run, Load Balancer, Cloud Armor) pour gérer des interactions à grande échelle.

Google Cloud Platform

LLMs / Large language models

FastAPI

AI Assistant (RAG) – Assistant intelligent cloud-native

Allonia

Participation au développement d’une plateforme backend critique dédiée à la gestion des flux logistiques (livraisons et stationnements) dans un contexte de très forte charge lors des Jeux Olympiques. Le système permet le suivi en temps réel des opérations, avec des exigences élevées en termes de performance, de scalabilité et de fiabilité.Réalisations principales :<ul><li>Développement d’APIs backend avec FastAPI pour la gestion des livraisons et des stationnements</li><li>Implémentation de traitements de données en temps réel (filtrage, agrégation, suivi des flux)</li><li>Amélioration de la performance des services pour supporter une forte charge</li><li>Participation à l’évolution d’une architecture scalable et résiliente</li></ul>Data &amp; orchestration :<ul><li>Orchestration des workflows avec Apache Airflow</li><li>Utilisation de KubernetesPodOperator pour exécuter des jobs isolés et scalables</li><li>Automatisation des traitements batch et pipelines de données</li></ul>Cloud &amp; architecture distribuée :<ul><li>Déploiement et exécution des services dans un environnement Kubernetes</li><li>Architecture distribuée orientée microservices</li><li>Gestion des flux de données en temps réel dans un contexte critique</li></ul>Base de données &amp; performance :<ul><li>Utilisation de PostgreSQL et MongoDB</li><li>Optimisation des requêtes et du traitement des données</li><li>Amélioration de la latence et de la gestion des volumes élevés</li></ul>Technologies :<ul><li>Python, FastAPI</li><li>Apache Airflow</li><li>Kubernetes, Docker</li><li>PostgreSQL, MongoDB</li><li>SQLAlchemy, asyncpg</li><li>GitLab CI/CD</li></ul>Impact :<ul><li>Gestion fiable de flux logistiques en temps réel lors d’un événement à très forte affluence (JO)</li><li>Amélioration de la scalabilité et de la stabilité du système</li><li>Réduction des temps de traitement et meilleure réactivité des services</li></ul>

Développement d’une solution backend scalable pour la gestion des flux logistiques durant les Jeux Olympiques. Implémentation de traitements en temps réel, optimisation des performances et gestion de volumes élevés de données. Déploiement en environnement cloud avec Kubernetes et orchestration des workflows via Airflow.

MongoDB

Docker

Python

DeliveryPark – Plateforme logistique temps réel (Jeux Olympiques)

Participation au développement et à l’évolution d’une plateforme backend scalable, une plateforme SaaS de gestion et d’exploitation des données, permettant aux entreprises de centraliser, traiter et visualiser leurs informations métier.Réalisations principales :<ul><li>Développement et évolution de services backend avec FastAPI, Flask et Django</li><li>Migration d’une architecture monolithique vers une architecture microservices</li><li>Refonte des APIs pour supporter l’asynchrone (migration Flask → FastAPI)</li><li>Implémentation de traitements de données en temps réel (agrégations, filtrage, regroupement)</li><li>Optimisation des performances backend et des requêtes SQL</li><li>Mise en place de tests pour garantir la fiabilité des services</li></ul>Data &amp; orchestration :<ul><li>Orchestration des workflows avec Apache Airflow</li><li>Utilisation de KubernetesPodOperator pour exécuter des jobs isolés et scalables</li><li>Automatisation des traitements batch et pipelines de données</li></ul>Cloud &amp; architecture distribuée :<ul><li>Déploiement et exploitation dans un environnement Kubernetes</li><li>Communication inter-services via gRPC</li><li>Gestion des communications réseau (TCP/IP, UDP)</li><li>Mise en place d’architectures distribuées robustes et scalables</li></ul>Base de données &amp; performance :<ul><li>Migration de SQLAlchemy vers asyncpg pour améliorer les performances</li><li>Utilisation de PostgreSQL et MongoDB</li><li>Optimisation des accès aux données en contexte asynchrone</li></ul>Technologies :<ul><li>Python, FastAPI, Flask, Django</li><li>Apache Airflow, Kubernetes</li><li>PostgreSQL, MongoDB</li><li>gRPC, Docker</li><li>Pytest, GitLab CI/CD</li></ul>Impact :<ul><li>Amélioration significative des performances et de la scalabilité</li><li>Réduction de la latence grâce à l’asynchrone</li><li>Industrialisation des workflows data</li><li>Meilleure maintenabilité grâce à l’architecture microservices</li></ul>

Conception et évolution de services backend en Python (FastAPI, Flask, Django) dans une architecture microservices déployée sur Kubernetes. Migration vers des APIs asynchrones, orchestration de workflows avec Apache Airflow (KubernetesPodOperator) et optimisation des performances via asyncpg. Mise en place de traitements de données en temps réel et amélioration de la scalabilité globale.

Kubernetes

Apache Airflow

Développement d’une plateforme backend cloud-native en microservices (Allonia)

EcoWash

EcoWash est une plateforme web de gestion de pressing développée Développement d’une plateforme web complète dédiée à la gestion des activités de pressing, permettant de centraliser et automatiser l’ensemble des opérations métier. { Web App: <a href="https://ecowash-feb05.web.app/" rel="noopener noreferrer nofollow" target="_blank">https://ecowash-feb05.web.app/</a> }Réalisations principales :<ul><li>Conception et développement d’API backend avec FastAPI</li><li>Mise en place d’un système de suivi des vêtements en temps réel</li><li>Développement d’un module de gestion de caisse et des paiements</li><li>Structuration des données avec MongoDB</li><li>Développement du frontend avec React</li></ul>Déploiement &amp; Cloud :<ul><li>Déploiement du backend sur AWS EC2 (configuration serveur, gestion des services, exposition API)</li><li>Déploiement du frontend sur Firebase Hosting (CI/CD simple et distribution rapide)</li><li>Mise en place d’une architecture distribuée frontend/backend</li><li>Gestion de la communication sécurisée entre frontend et backend (API REST)</li></ul>Architecture &amp; technologies :<ul><li>Backend : Python (FastAPI)</li><li>Frontend : React</li><li>Cloud : AWS EC2, Firebase</li><li>Base de données : MongoDB</li></ul>Impact :<ul><li>Digitalisation complète du processus métier</li><li>Amélioration de la performance et de la scalabilité</li><li>Accès en ligne sécurisé et rapide pour les utilisateursavec Python (FastAPI), React et MongoDB, permettant de gérer la caisse, le suivi des commandes et des vêtements, ainsi que le système de convoyeur pour organiser et tracer les articles en interne. Elle centralise toutes les opérations (encaissement, gestion des articles, suivi en temps réel) afin d’améliorer l’efficacité, réduire les erreurs et optimiser la gestion quotidienne du pressing.</li></ul>

EcoWash est une plateforme web de gestion de pressing développée avec Python (FastAPI), React et MongoDB, permettant de gérer la caisse, le suivi des commandes et des vêtements, ainsi que le système de convoyeur pour organiser et tracer les articles en interne. Elle centralise toutes les opérations (encaissement, gestion des articles, suivi en temps réel) afin d’améliorer l’efficacité, réduire les erreurs et optimiser la gestion quotidienne du pressing. 

React

DevOps

EcoWash Plateforme de Pressing

AI Professional Certificate

Professional Cloud Developer Certification

Software Engineer

Refonte de bout en bout du backend d'Allonia, passage du monolithe Flask à des microservices FastAPI asynchrones avec orchestration de jobs et traitement de données en temps réel.

Développeur Back-end

Travaux de recherche et d'ingénierie sur l'Auto-DL pour la vision par ordinateur avec interprétabilité des modèles et interopérabilité des frameworks.

Stage – Data Scientist & AI

Documentation et procédures de consignation pour l'installation d'air comprimé de l'usine.

Stage technicien – Automatisation

Stage d'initiation à la signalisation ferroviaire : capteurs, commandes et systèmes de contrôle de gare.

Soufiane AIT OZDI

Software Engineer

À propos

Expérience de travail

Développeur Back-end

Stage – Data Scientist & AI

Stage technicien – Automatisation

Projet stage étudiant

Formation

Université Clermont Auvergne

Université Clermont Auvergne

Université Le Havre Normandie

Ecole supérieur de technologie à Salé

Lycée Moulay Youssef Rabat

Licences et certifications

AI Professional Certificate

Professional Cloud Developer Certification

Portfolio

AI Assistant (RAG) – Assistant intelligent cloud-native

ozdi.org

DeliveryPark – Plateforme logistique temps réel (Jeux Olympiques)

Allonia

Développement d’une plateforme backend cloud-native en microservices (Allonia)

Allonia

EcoWash Plateforme de Pressing

EcoWash

Talents

Recruteurs

À propos