Wissal E.

Participation au projet LabelIT, visant à optimiser la gestion des ressources cloud multi-fournisseurs en automatisant la gestion, la structuration et l'homogénéisation des labels à l'aide des techniques d'IA et plus précisément le NLP. Le projet avait pour objectif de simplifier la gestion des ressources cloud en utilisant l'analyse de similarité et le clustering pour regrouper et gérer les labels de manière plus efficace. Principales responsabilités et réalisations : ● Concevoir une architecture solide qui permette de gérer et d'orchestrer la labellisation des ressources dans différents environnements multi-clouds, en prenant en compte les spécificités de chaque fournisseur de cloud; ● Etablir une approche de normalisation, d'homogénéisation et de rationalisation de la labellisation des ressources, en définissant des conventions et des normes communes qui peuvent être appliquées de manière cohérente à travers les environnements multi-clouds; ● Mettre en place un mécanisme permettant de faire correspondre efficacement et sans ambiguïtés les labels associés aux ressources avec les labels correspondants dans le référentiel global, tout en intégrant les spécificités locales des ressources dans chaque environnement; ● Développer des algorithmes et des mécanismes de recommandation intelligents des labels qui soient pertinents en fonction des caractéristiques et des métadonnées des ressources, afin de faciliter l'étiquetage et d'optimiser l'efficacité de la gestion des ressources cloud; ● Regrouper, après l'analyse de similarité, les ressources cloud en clusters en se basant sur la similarité de leurs labels, ce qui facilite l'identification des catégories de ressources, l'imputation des labels manquants, la détection des anomalies et la recommandation de ressources pertinentes aux utilisateurs.

Conception et mise en place d'un modèle intelligent basé sur l'apprentissage automatique pour la détection de la fraude dans les transactions bancaires, intégré dans une application web. Principales responsabilités et réalisations : ●Analyse du domaine de la fraude dans les transactions bancaires, avec une étude des méthodes de détection existantes, notamment le module de fraude en PL/SQL; ●Collecte et préparation des données des transactions bancaires; ●Exploration et visualisation des données; ●Conception et mise en place des modèles de ML pour la détection de fraude; ●Déploiement du modèle; ●Comparaison avec le module de fraude développé en PL/SQL.

Analyse, conception et implémentation d’une application de gestion des demandes IT dans la plateforme Cloud ServiceNow.

Analyse, conception et développement d'une application web en tant qu'entreprise virtuelle .