Youssra Elkinadi

– Système d'IA générative pour l'analyse automatisée des appels d'urgence médicale et la structuration d'informations critiques. – Architecture avancée RAG + Multi-Agents + LLMs avec assistant intelligent pour l'exploitation et la structuration des données médicales historisées. Technologies utilisées: Python, OpenAI API, Groq API, Whisper, LangChain, AutoGen, FAISS, FastAPI, React.js, Docker, Supabase

– Analyse et annotation d'images immunohistochimiques prostatiques: étude de l'état de l'art, annotation avec QuPath et approche Active Learning pour optimiser le temps et le volume d'annotations. – Segmentation sémantique: architecture U-Net avec comparaison des backbones Virchow et ResNet50, montrant de meilleures performances pour Virchow (Recall, IoU). Technologies utilisées: Python, PyTorch, U-Net, Active Learning, Virchow, ResNet50, QuPath, imagerie immunohistochimique

– Automatisation de la création d'une image cloud prête à l'emploi. – Intégration de Cloud-init, Packer, et GitHub Actions dans un pipeline CI/CD. Technologies utilisées: Packer, Cloud-init, GitHub Actions, YAML, Linux

– Observation et analyse des flux de données hospitalières via la plateforme Hosix et Hosix BI, au sein du service statistique.

– Réalisation d'un modèle prédictif pour détecter les anomalies et anticiper les pannes d'un équipement industriel. – Renforcement de la fiabilité des équipements industriels et réduction des coûts de maintenance. – Analyse et traitement de flux de données industrielles en temps réel. Technologies utilisées: Kafka, Spark, Hive, Kibana, Elasticsearch, Zookeeper, Databricks

– Conception d'un entrepôt de données en temps réel : ingestion des flux via Kafka et traitement temps réel avec Apache Pinot, orchestrés par Apache Airflow. – Visualisation et modélisation des données: mise en place d'un tableau de bord dynamique sous Apache Superset et modélisation dimensionnelle des données. Technologies utilisées: Apache Airflow, Kafka, Apache Pinot, Apache Superset

– Développement d'un tableau de bord interactif pour la visualisation dynamique de données en direct. – Intégration de flux de données avec actualisation automatique pour la prise de décision en temps réel. Technologies utilisées: Next.js, Node.js, Express.js, MongoDB, Mongoose, Redis

– Modélisation prédictive sur données volumineuses, optimisation algorithmique et automatisation d'analyses. Technologies utilisées: Python, Scikit-learn, Pandas, NumPy

– Analyse de données, visualisations interactives et standardisation de scripts Python. Technologies utilisées: Matplotlib, Seaborn, Jupyter Notebook