Zakaria Hafdi

Contexte : Au sein de SI Public France, j'accompagne les équipes métiers dans la valorisation des données et le développement de solutions d'intelligence artificielle visant à améliorer la qualité des données, automatiser les processus décisionnels et optimiser les performances opérationnelles. Missions & réalisations : • Réalisation d'analyses exploratoires de données sur Snowflake afin d'identifier tendances, anomalies et leviers d'amélioration. • Conception et automatisation de pipelines de collecte, transformation et enrichissement des données provenant de sources SQL et NoSQL. • Mise en œuvre de techniques avancées de détection et de traitement des données aberrantes afin d'améliorer la qualité et la fiabilité des données. • Développement et optimisation de scripts de traitement de données à grande échelle. • Conception, entraînement et évaluation de modèles de Machine Learning pour des cas d'usage de prédiction, classification, segmentation et détection d'anomalies. • Réalisation de travaux de feature engineering et d'amélioration continue des performances des modèles. • Développement de solutions basées sur les LLMs et l'IA générative pour automatiser l'exploitation de données et de documents métiers. • Conception de prototypes RAG (Retrieval-Augmented Generation) et exploration d'architectures multi-agents pour répondre à des problématiques métier complexes. • Mise en place de mécanismes d'explicabilité des modèles et participation à des audits de biais afin de garantir la transparence et l'équité des solutions IA. • Traduction des besoins métiers en cas d'usage Data Science et IA à forte valeur ajoutée. • Veille technologique active sur les domaines du Machine Learning, des LLMs, de l'IA générative et des architectures d'agents intelligents. Environnement technique : Snowflake, AWS S3, PostgreSQL, DBeaver, Directus, Python, Pandas, PySpark, SQL, Scikit-Learn, Machine Learning, LLM, RAG, Agents IA, ClickUp, Airtable.

Contexte : Au sein de la Direction Data & IA de Marjane Group, acteur de la grande distribution, contribution à la conception et à l'industrialisation de solutions Data Science et MLOps destinées à optimiser la supply chain, améliorer la connaissance client et soutenir la prise de décision à travers l'exploitation de données à grande échelle. Missions & réalisations : • Conception et industrialisation de modèles de Machine Learning pour la prévision de la demande, la segmentation client et la détection d'anomalies. • Réalisation d'analyses exploratoires de données afin d'identifier des leviers de performance et de cadrer les cas d'usage. • Développement et automatisation de pipelines de données et de Machine Learning dans un environnement Azure et Databricks. • Mise en œuvre des pratiques MLOps : automatisation des entraînements, déploiements, versioning et monitoring des modèles. • Surveillance des phénomènes de data drift et de concept drift afin de garantir la performance des modèles en production. • Optimisation des traitements de données et des pipelines PySpark/SQL sur de grands volumes de données. • Garantie de l'explicabilité et de l'équité des modèles à travers des analyses d'interprétabilité et des audits de biais. Environnement technique : Azure, Azure Data Factory (ADF), Databricks, Python, Pandas, PySpark, SQL, Scikit-Learn, MLflow, Power BI, Git, Jira.

Contexte : Au sein des équipes Data d'ALTEN, participation à des projets de transformation data-driven pour des clients grands comptes de différents secteurs d'activité. Intervention sur l'ensemble de la chaîne de valeur de la donnée, depuis l'ingestion et le traitement de données massives jusqu'au développement de modèles de Machine Learning et à la mise à disposition de solutions analytiques pour l'aide à la décision. Missions & réalisations : • Réalisation d'analyses exploratoires et statistiques avancées sur des jeux de données volumineux afin d'identifier tendances, corrélations et anomalies. • Conception, entraînement et évaluation de modèles de Machine Learning et de Deep Learning pour des problématiques de classification, régression, segmentation et détection d'anomalies. • Développement de pipelines de préparation des données intégrant nettoyage, feature engineering et optimisation des jeux d'entraînement. • Implémentation de traitements distribués avec PySpark et exploitation de BigQuery pour l'analyse et la transformation de données à grande échelle. • Optimisation des requêtes SQL et des traitements Big Data afin d'améliorer les performances et les temps d'exécution. • Mise en place du monitoring des modèles à travers le suivi des métriques de performance et la détection des phénomènes de data drift et de concept drift. • Conception de modèles de données décisionnels et participation à l'alimentation des entrepôts de données. • Développement de tableaux de bord analytiques et d'indicateurs de pilotage pour accompagner la prise de décision métier. Collaboration avec les équipes fonctionnelles afin de traduire les problématiques métier en cas d'usage Data Science et Intelligence Artificielle. • Documentation des pipelines, modèles et processus de traitement afin de garantir leur maintenabilité et leur reproductibilité. Environnement technique : GCP, BigQuery, SQL, Talend, Python, Pandas, PySpark, Scikit-Learn, Machine Learning, Deep Learning, Clustering, Big Data, Power BI, Jira.

Contexte : Au sein du laboratoire de recherche IR2M (Université Hassan 1er), participation à des projets de recherche appliquée en Intelligence Artificielle et Data Science. Contribution à la conception, au développement et à l'évaluation de modèles de Machine Learning et Deep Learning destinés à répondre à des problématiques scientifiques et industrielles, tout en valorisant les résultats de recherche à travers des approches analytiques avancées. Missions & réalisations : • Conception et développement de solutions d'analytique avancée basées sur le Machine Learning pour des problématiques de classification, prédiction et détection de motifs complexes. • Réalisation d'analyses exploratoires et statistiques avancées afin d'identifier les caractéristiques discriminantes, les corrélations et les opportunités d'amélioration des modèles. • Développement, entraînement et optimisation de modèles de Deep Learning (CNN, RNN, réseaux hybrides) pour des cas d'usage de recherche appliquée. • Mise en œuvre de techniques de Transfer Learning afin d'améliorer les performances des modèles sur des jeux de données limités. • Préparation et transformation des données : nettoyage, feature engineering, sélection de variables, réduction de dimensionnalité et équilibrage des classes. • Évaluation et optimisation des performances des modèles à travers des stratégies de validation croisée, tuning d'hyperparamètres et analyse des métriques de performance. • Développement de pipelines de traitement de données avec Python et PySpark pour automatiser les phases de préparation et d'analyse. • Conception de tableaux de bord analytiques et de visualisations permettant l'interprétation et la restitution des résultats aux équipes de recherche et aux partenaires métier. • Collaboration avec des équipes pluridisciplinaires afin de traduire des problématiques scientifiques et métier en solutions Data Science et IA. • Rédaction de documentation technique et scientifique, garantissant la reproductibilité des expérimentations et des résultats. • Veille technologique et scientifique sur les avancées en Deep Learning, Computer Vision, Transfer Learning et Intelligence Artificielle. Environnement technique : Python, PyTorch, TensorFlow, Keras, Scikit-Learn, Pandas, PySpark, PostgreSQL, Deep Learning, Transfer Learning, Machine Learning, Git.

Contexte : Au sein des practices Data & IA de Capgemini, participation à des projets de transformation digitale et d'intelligence artificielle pour des clients grands comptes. Intervention sur l'ensemble du cycle de vie des projets Data, depuis le cadrage des cas d'usage et l'analyse des données jusqu'au développement de modèles de Machine Learning, l'industrialisation des pipelines et la restitution d'insights à forte valeur métier. Missions & réalisations : • Analyse des besoins métier et identification de cas d'usage IA en collaboration avec les équipes produit, métier et techniques. • Conception et développement de modèles de Machine Learning pour des problématiques de prédiction, segmentation et aide à la décision. • Mise en œuvre d'algorithmes de clustering et d'apprentissage non supervisé pour la segmentation de populations et la détection de comportements atypiques. • Développement et orchestration de pipelines de traitement et d'entraînement des modèles dans des environnements Databricks et Airflow. • Industrialisation et déploiement de pipelines ML batch pour l'automatisation des traitements récurrents et des cycles d'entraînement. • Mise en place du suivi du cycle de vie des modèles (versioning, expérimentation et traçabilité) à l'aide de MLflow. • Extraction, transformation et analyse de données à travers des requêtes SQL complexes et des traitements Python. • Conception et automatisation de reportings et tableaux de bord décisionnels destinés aux différentes directions métier. • Définition et suivi de KPIs métiers et analytiques afin de mesurer la performance des processus et des modèles développés. • Contribution à l'optimisation des modèles de données et recommandations d'évolution des bases de données pour améliorer la qualité et l'exploitation des données. • Documentation des solutions et accompagnement des utilisateurs dans l'adoption des outils analytiques et IA. Environnement technique : Python, Databricks, MLflow, Apache Airflow, Scikit-Learn, SQL, Git, Jira, Excel.