Youssouf Roki-dine

Projet : Développement d’un assistant conversationnel intelligent capable de rechercher automatiquement des profils pertinents pour les entreprises ou des offres adaptées aux candidats, via des interactions en langage naturel. • Conception et développement d’un chatbot basé sur des LLMs (GPT, Falcon, Mistral) intégrant des capacités avancées de recherche sémantique (RAG, embeddings, vector search). • Traitement et structuration de données RH : CVs, fiches de poste, offres d’emploi et descriptions de profils, avec extraction d’entités (NER), nettoyage et standardisation. • Mise en place d’un moteur de matching sémantique entre profils et offres via des techniques NLP (similarité cosinus, BERT, SBERT, FAISS, vecteurs contextuels). • Déploiement sur un environnement cloud (GCP avec Vertex AI / AWS Bedrock) avec architecture modulaire et scalabilité assurée. • Intégration via API à des plateformes de recrutement (ATS / CRM) et outils RH internes. • Suivi des performances du moteur de matching (précision, recall, taux de clics, satisfaction utilisateur), optimisation continue des résultats. • Interface conversationnelle en langage naturel (LangChain, Streamlit, Gradio) permettant aux recruteurs ou candidats d’interagir directement avec le système. • Environnement Technique et Compétences mobilisées : • DeepInfra ,Airflow, SQL, Tableau, Python, Gitlab, Postgrer • NLP & IA générative : Transformers, RAG, LangChain, SBERT, embeddings, NER, ChatGPT API. • MLOps et déploiement : Docker, GCP, CI/CD, monitoring via MLflow / Weights & Biases. • Data Engineering : Pipelines de traitement de texte, base vectorielle (FAISS / ChromaDB). • Softs : Compréhension fine des enjeux RH et UX, capacité à transformer un besoin métier complexe en solution technique opérationnelle.

Collaboration avec les équipes AI/ML pour la mise en œuvre de solutions stratégiques. Analyse approfondie des données et annotation pour affiner les modèles et générer des textes, des fichiers, des fichiers audio, des images et des vidéos pertinents adaptés aux cas d’utilisation. Optimisation et personnalisation des modèles LLM open-source pour répondre aux besoins spécifiques des entreprises. Amélioration de la précision et des performances des modèles d'IA pour la gestion des appels grâce à des techniques avancées comme le RAG.

Skills: Programmation

Le but de ce stage et de construire un classifieur capable de distinguer une eau potable d’une eau non potable. Pour construire ce classifieur on s’appuyait sur une base de donnée de 46 999 individus évalués en 45 variables. Au cours de ce travail nous avons testé et comparer les performances de différents algorithmes de Machine Learning (Développer en Python et R)

Chargé de préparation de commande et de la maintenance;

Cours de Soutien de Maths à Domicile auprès des jeunes Collégiens et des Lycéens