Alhusain Al Asmi

Description :

Conception et industrialisation de solutions IA autour du RAG, des LLM, du NLP juridique et du traitement documentaire.

J’ai développé un moteur RAG juridique permettant d’interroger un corpus documentaire français large et hétérogène : Légifrance, codes, décrets, arrêtés, jurisprudence, conventions collectives et contenus service-public.fr.

La mission comprenait la mise en place de pipelines de recherche hybride combinant embeddings, recherche lexicale, reranking, filtres métier et métadonnées, afin d’améliorer la pertinence des réponses et leur traçabilité.

J’ai également conçu des chaînes LLM contrôlées pour la reformulation de requêtes, l’extraction d’informations, la génération contextualisée avec citations vérifiables et les sorties JSON structurées.

En parallèle, j’ai contribué au développement d’un outil d’Audio AI pour les réunions CSE : transcription automatique, diarization, correction de segments incertains, génération de PV/résumés structurés et moteur RAG sur transcriptions.

Compétences / stack :

RAG, LLM, NLP, Qdrant, Python, TypeScript, Bun, FastAPI, React, PostgreSQL, Docker, ASR, Diarization, Recherche hybride, Reranking, Prompt engineering, Structured outputs

Description :

Développement et amélioration de modèles NLP multilingues pour des cas d’usage liés à la classification de texte et à l’analyse sémantique.

J’ai travaillé sur l’entraînement, l’évaluation et l’optimisation de modèles de classification, avec analyse d’erreurs, suivi des performances et amélioration progressive des résultats.

J’ai également réalisé des benchmarks entre approches NLP classiques, LLM et RAG afin de comparer la précision, le coût d’inférence, la latence et la robustesse selon les cas d’usage.

La mission incluait aussi l’industrialisation de pipelines ML : préparation des données, packaging Docker, déploiement sur AWS SageMaker/S3, automatisation et monitoring des modèles en production.

Compétences / stack :

NLP, Python, TensorFlow, scikit-learn, LLM Evaluation, AWS SageMaker, AWS S3, Docker, Machine Learning, Classification de texte, MLOps

Description :

Analyse des données clients et des indicateurs de satisfaction afin d’identifier les irritants, expliquer les variations de satisfaction et produire des recommandations exploitables pour les équipes métier.

J’ai conçu des dashboards et des reportings automatisés avec Power BI, SQL et Python pour fiabiliser le suivi des indicateurs clés et réduire les traitements manuels.

La mission incluait également la préparation, le nettoyage et la structuration des données afin de faciliter leur exploitation par les équipes opérationnelles et décisionnelles.

Compétences / stack :

Python, SQL, Power BI, Power Apps, R, Data Analysis, Reporting, Dashboarding, Automatisation, Analyse CSAT