Zineb Dkier

– Designed an AI assistant for PortNet to unify customs and port data, enhance retrieval precision, and provide grounded, verifiable responses using advanced Retrieval-Augmented Generation (RAG) architectures. – Architected a Unified Knowledge Architecture (Data Lakehouse model) integrating heterogeneous sources (websites, APIs, PDFs, government portals). – Built an incremental web scraping system (Python, Selenium) with MD5-based change detection to efficiently monitor Moroccan Customs (ADIL) updates. – Engineered a versioned PostgreSQL schema with structured JSONB fields to centralize SH codes, tariffs, agreements, and regulatory documents. – Developed automated parsing pipelines transforming unstructured HTML into structured, query-ready customs intelligence. – Implemented a Hybrid Retrieval Pipeline (Vector + Lexical + RRF Rank Fusion + Anchor-based narrowing) to improve semantic precision and reduce cross-category noise. – Integrated a chatbot using Ollama (Qwen3:8B) with hallucination mitigation and strict context enforcement. – Built a Streamlit-based conversational interface enabling real-time end-to-end RAG validation. – Designed text normalization and encoding-repair pipelines to enhance embedding quality and retrieval performance.

– Designed and developed STALGEN from scratch, an AI-driven platform leveraging Python, NLP libraries, and Pandas to automate macro-scenario and test case generation from SFD and User Story documents. – Built a production-ready AI solution with local LLM deployment using Ollama as the backend, achieving up to 99% reduction in manual test creation time (weeks reduced to minutes) and 95%+ automation accuracy through advanced document parsing, structured JSON extraction, and prompt engineering techniques. – Delivered a fully functional end-to-end pipeline using custom parsers and AI-driven reasoning (few-shot learning and chain-of-thought prompting) to generate macro-scenarios and detailed test cases automatically, ensuring consistency and reliability across outputs. – Collaborated with Digital & IT department experts to validate outputs and align the platform with real-world automotive testing workflows.

– Développement d'une application desktop de gestion de stock en utilisant PyQt5 pour la conception d'une interface utilisateur intuitive, et PostgreSQL pour la gestion et le stockage sécurisé des données. – Mise en place d'un système de gestion des stocks permettant le suivi des produits, des quantités, des entrées et des sorties, avec les fonctionnalités suivantes : – Gestion des niveaux de stock (rupture de stock, surstock, stock dormant). – Suivi des entrées et sorties des articles. – Génération de rapports de gestion des stocks en temps réel. – Notifications d'alerte en cas de faible quantité de certains articles. – Historique des mouvements de stock. – Automatisation des tâches répétitives effectuées sur des fichiers Excel grâce à des scripts Python capable d'effectuer ces opérations en quelques secondes, réduisant ainsi le temps de traitement de plusieurs heures.

– Étude et évaluation des performances d'une station de pompage. – Programmation d'un modèle de prédiction de la qualité d'eau potable basé sur les réseaux de neurones artificiels.