Bakary S.

Membre équipe SILC (Sanofi Integrated Launch Capabilities), plateforme accompagnant les brand teams Sanofi dans le lancement de produits pharmaceutiques. Contribution au SILC Agent, assistant GenAI : agent RAG multi-tool sur AWS Bedrock (Claude Opus) et Pinecone, alimenté depuis SharePoint, assistant les équipes sur Situation Analysis, Target Product Profile, competitive intelligence, KPI tracking et génération PowerPoint. Environnement pharma GxP, CI/CD multi-environnements.

🔹 Vector Lifecycle Management

Conception et livraison de la gestion cycle de vie des vecteurs Pinecone (create/update/rename/delete) de la base de connaissances de l'agent, ainsi que du pipeline d'ingestion.

🔹 Framework d'évaluation LLM (offline + online)

Conception et livraison du système d'évaluation qualité du SILC Agent avec W&B Weave (LLM-as-judge).

🔹 Migration Bedrock AgentCore + Agent Hub Sanofi + A2A

Contribution à la bascule du SILC Agent de TypeScript/Vercel AI SDK (silc-frontend) vers un runtime Python containerisé sur AgentCore, orchestration multi-agent (Strands), tool calling et enregistrement sur l'Agent Hub Sanofi (modes AGENTCORE + A2A).

🔹 Fonctionnement équipe

Scrum (SILC GenAI Squad, sprints 2 semaines), design reviews, pair code reviews, incident response, knowledge transfer.

Stack : Python, AWS Bedrock (Claude Opus/Sonnet), Pinecone, W&B Weave, Bedrock AgentCore, Strands, Multi-agent, Tool calling, A2A, RAG, LLM-as-judge, AWS (Lambda, Step Functions, SQS, SNS, DynamoDB, EventBridge), Terraform, GitHub Actions, Snowflake, dbt, Streamlit

• Conception et déploiement d’un système RAG médical en production (880k+ documents), améliorant la précision des réponses et garantissant la traçabilité (citations sourcées)

• Mise en place d’un pipeline de retrieval multi-étapes :

- Validation des requêtes via LLM (filtrage médical)

- Expansion multi-requêtes (couverture sémantique)

- Recherche hybride (Qdrant : dense BGE-M3 + sparse Splade + fusion)

- Reranking via cross-encoder pour haute précision clinique

• Industrialisation des LLM :

- Déploiement vLLM (API OpenAI-like) sur GPU (RunAI)

- Traitement asynchrone (Celery/Redis) → réduction de la latence

• Mise en place d’une stack LLMOps en production :

- CI/CD GitLab, conteneurisation Docker, monitoring

- Fiabilité, reproductibilité et optimisation des coûts

• Développement de pipelines data incrémentaux (Prefect) :

- Ingestion multi-sources (ANSM, HAS…)

- Versioning intelligent (hash) → réduction des recalculs

Stack : Qdrant, vLLM, LangChain, Prefect, FastAPI, Docker, GitLab CI/CD, PostgreSQL

- CI/CD GitLab, déploiement automatisé, model registry

- Monitoring du drift avec alertes → amélioration de la robustesse

• Conception de pipelines data scalables :

- ETL (AWS Glue, PySpark), orchestration (Airflow)

- Data Lake S3 + analytics (Athena)

• Développement d’APIs et sécurisation des accès :

- AWS Lambda + API Gateway

- Gestion des utilisateurs via Cognito

• Mise en place d’un système RAG industriel :

- Recherche sémantique sur documentation technique

- Observabilité (LangSmith) : latence, coûts, hallucinations

Stack : AWS (SageMaker, Glue, Airflow, Lambda, S3), LangChain, OpenSearch, PySpark