Yassine BAHOU

Au sein de l’équipe interne Data & IA de Davidson, je développe et déploie des solutions d’IA qui automatisent les processus métiers. Principaux projets et contributions : ① Matching des candidatures • Piloté le développement d’un système qui associe les candidatures aux besoins ouverts des managers et partage les profils pertinents via les canaux internes. ② Conformité de l’IA • Développé un outil qui évalue les risques des projets au regard de l’AI Act européen, du RGPD et d’ISO 27001, rédige des documents de conformité et génère un plan d’action de gestion des risques. ③ RAG agentique • Reconstruit l’assistant RAG interne sous forme de workflow LangGraph pour la recherche d’informations et le raisonnement en plusieurs étapes. • Ajouté l’observabilité avec Langfuse pour suivre la latence, l’utilisation des tokens et l’impact environnemental estimé (CO₂e et consommation d’énergie). ④ Chatbot du site web • Annoté plus de 4 000 questions d’utilisateurs et effectué le fine-tuning de CamemBERT pour le chatbot du site web de Davidson.

Dans le cadre de mon alternance, j’ai participé au développement et au déploiement de solutions de pointe en IA générative chez Michelin. Je me suis concentré sur l’exploitation des grands modèles de langage (LLMs) et des systèmes multi-agents pour résoudre des problématiques métiers complexes et améliorer l’efficacité opérationnelle. Principaux projets et contributions : 1. Industrialisation et optimisation d’un système Text-to-SQL • Piloté l’industrialisation et la mise en production d’un système permettant aux utilisateurs métiers d’interroger des bases de données en langage naturel. • Conçu et implémenté un workflow DCG intégrant des agents RAG, de correction SQL et de visualisation pour le système Text-to-SQL. (LangGraph) • Obtenu des gains de performance significatifs par rapport à la version précédente : réduction des coûts de 50 %, augmentation de la vitesse de 70 % et amélioration de la précision de 30 %. • Développé un pipeline d’évaluation automatisé pour le suivi continu de la qualité, du coût et de la latence du système. (Langfuse) 2. Système multi-agents de diagnostic automatisé des incidents IT • Conçu l’architecture d’un système multi-agents « Mixture-of-Experts » (MoE) pour automatiser le diagnostic initial des incidents IT. • Développé des agents IA spécialisés pour différentes sources de données (Grafana, ServiceNow, Splunk, CDL), chacun équipé d’outils d’accès ciblé aux données et d’analyse. (Autogen + MCP) • Implémenté un orchestrateur central pour gérer les workflows des agents et une interface de chatbot pour communiquer les diagnostics préliminaires aux équipes IT. • Déployé un outil d’automatisation no-code/low-code pour faciliter la création future de workflows par des utilisateurs non techniques. (n8n) • Géré le déploiement et l’orchestration avec Docker pour la conteneurisation et Kubernetes pour la mise à l’échelle et la gestion automatisée. • Contribué à réduire le délai moyen de résolution (MTTR) en automatisant les premières étapes d’investigation des incidents.

• Réalisé une étude comparative approfondie de différents grands modèles de langage (LLMs). • Effectué une analyse comparative détaillée de différents LLMs pour identifier leurs principales différences et similitudes. • Développé une preuve de concept d’un système de génération augmentée par récupération (RAG) pour créer des documents d’état de l’art.