Zakaria El Asri

* Conçu et industrialisé des systèmes backend d'IA générative et d'agents LLM en Python, optimisant les coûts opérationnels de 20% pour les utilisateurs finaux grâce à des architectures robustes et scalables. * Optimisé l'efficacité des processus métier de 30% en concevant et déployant des workflows complexes pour l'orchestration d'agents LLM, incluant la gestion des états et des intégrations API performantes. * Géré le cycle de vie complet d'applications GenAl, de la conception à l'industrialisation sur AWS, en mettant en place des pipelines CI/CD et en assurant la sécurité et la maîtrise des coûts (FinOps). * Implémenté des architectures RAG performantes (ingestion, chunking, embeddings, re-ranking) pour enrichir les agents conversationnels, augmentant la pertinence des réponses de 25% et gérant une volumétrie de données importante.

* Conçu et développé une plateforme interne d'IA générative en Python, optimisant l'efficacité opérationnelle du Groupe et les workflows complexes grâce à des architectures backend robustes. * Déployé des architectures d'orchestration de workflows pour applications GenAl sur AWS, assurant une disponibilité de 99,9% et intégrant les meilleures pratiques de sécurité et d'observabilité. * Réduit le temps de traitement des tâches administratives de 30% par l'intégration d'agents LLM développés en Python, gérant des états complexes et des intégrations API pour une automatisation fluide. * Amélioré la performance opérationnelle et l'autonomie des équipes de 25% en développant des systèmes backend pour des agents IA intelligents, exploitant des technologies d'IA générative et garantissant la testabilité.

* Intégré et déployé des systèmes backend pour des agents LLM et des fonctionnalités d'IA générative dans une plateforme d'entreprise critique, augmentant sa valeur commerciale pour le Groupe. * Conçu et déployé un système backend de copilot pour l'automatisation de la documentation interne, réduisant le temps de recherche d'informations pour les ingénieurs de 50% via des intégrations API robustes. * Accru l'adoption de la plateforme de 20% par l'implémentation d'architectures RAG performantes en Python (ingestion, chunking, embeddings), gérant une volumétrie de données importante pour la synthèse en temps réel. * Optimisé la performance des architectures RAG, réduisant les temps de traitement de 25% et augmentant la satisfaction des utilisateurs de 15% grâce à des tests et une observabilité continue des systèmes en production.

* Développé des pipelines de données robustes en Python pour le monitoring et l'analyse de performance, améliorant la détection d'anomalies de 40%, essentiel pour l'ingestion de données à grande échelle dans les systèmes d'IA. * Implémenté des solutions d'IA en Python, incluant des modèles ML/DL, pour l'analyse prédictive et la détection d'anomalies, augmentant la précision des prédictions de 15% et contribuant à la qualité du code. * Géré plus de 100 000 points de données en temps réel via des bases SQL et des services AWS, assurant une latence minimale de 50 ms, crucial pour l'ingestion de données performante et la scalabilité. * Co-conçu des architectures systèmes robustes et performantes sur AWS, intégrant les meilleures pratiques DevOps et Git, pour des systèmes évolutifs, automatisés et sécurisés, avec une attention particulière à l' observabilité.