Description

Data Scientist et AI Engineer avec plus de 6 ans d’expérience dans la conception, l’industrialisation et le déploiement de solutions data & IA à forte valeur métier. Spécialisé en IA Générative (LLMs, RAG, agents), je conçois des plateformes scalables, sécurisées et orientées production, de la phase de cadrage jusqu’au déploiement cloud.

J’ai récemment piloté le développement d’une plateforme d’IA souveraine pour un grand groupe assurantiel, intégrant des architectures RAG avancées, des agents LLM orchestrés (LangGraph) et des services exposés via APIs sécurisées. Mon expertise couvre l’ensemble de la chaîne : data engineering, machine learning, GenAI, MLOps et DevOps, avec une forte maîtrise des environnements GCP et AWS.

Langues

Arabe
Bilingue ou natif
Français
Capacité professionnelle complète
Anglais
Capacité professionnelle complète

Préférences en matière de lieu de travail

Accepte de travailler sur site

Paris (jusqu’à 50 km)

SFEIR
Data Scientist IA / GenAI
février 2024 - Aujourd'hui (2 ans et 4 mois)
Paris, France
Conception et développement d'une plateforme d'IA souveraine garantissant la confidentialité et la maîtrise des données internes:

- Conception d'un système RAG basé sur LangChain, capable d'extraire et d'indexer des documents hétérogènes (Excel, CSV, PDF, etc.).
- Intégration de LLMs via Vertex AI, assurant la génération de réponses contextualisées et la personnalisation selon les métiers du groupe.
- Orchestration cloud-native sur GCP, combinant Cloud Run pour l'inférence scalable, Cloud SQL (PostgreSQL) pour la gestion des em beddings, et Vertex AI pour l'utilisation des modèles. – Industrialisation MLOps & DevOps : pipelines CI/CD unifiés avec Terraform (IaC) et Jenkins, garantissant la reproductibilité et la livraison continue des environnements.
- Supervision centralisée via BigQuery et Looker Studio, permettant le suivi en temps réel des logs, appels API et taux d'erreurs.
- Intégration sécurisée dans l'écosystème interne d'AG2R : APIs exposées sur un réseau privé et consommées par le front-end d'ALMIA BOT, adopté par plus de 6000 collaborateurs.
- Ouverture stratégique des services d'IA via Apigee, facilitant leur intégration dans les applications métiers du groupe.

Pilotage de la seconde phase du projet, dédiée à l'intégration d'une architecture d'IA agentique visant à renforcer l'autonomie et la capacité d'orchestration du système:

- Conception et implémentation d'un agent orchestrateur central, chargé de coordonner l'exécution de plusieurs agents spécialisés développés avec LangGraph.
- Déploiement et exposition des agents sur un serveur LangGraph hébergé dans Cloud Run, assurant une scalabilité automatique.
- Suivi et évaluation des performances agentiques, incluant la latence de coordination, la robustesse des échanges et la pertinence des décisions autonomes.
Cloud Engineer Agent IA IA générative Data science CI/CD
Heuritech
Data Scientist
décembre 2021 - janvier 2024 (2 ans et 1 mois)
Paris, France
Analyse des données images pour anticiper les évolutions des tendances mode:

- Définir une nouvelle approche de normalisation pour améliorer la représentativité des trends.
- Développer un mini-dashboard pour permettre aux métiers de surveiller la growth year-over-year (YoY).
- Étudier la pertinence des trends (séries temporelles bruyantes où le rapport signal / bruit est trop faible).
- Mise en place d'un nouveau module d'évaluation basé sur les métriques scale-free-error.
- Définir une nouvelle approche holistique pour corriger le biais du modèle de forecast individualiste.
- Remplacer les scripts python exécutés localement par des flows Prefect pour assurer une gestion efficace et fiable des flux de travail.

Migration des données d'Elasticsearch vers le data warehouse Snowflake afin d'améliorer la scalabilité de la collecte des tendances:

- Garantie de l'intégrité des données tout au long du processus de migration.
- Implémentation de la logique des requêtes des tendances en SQL pour une transition fluide vers Snowflake.
- Optimisation significative des performances des requêtes, mettant en œuvre des améliorations pour garantir une exécution plus efficace.
- Modification du flow Prefect de la trend pipeline pour diriger le flux vers Snowflake, consolidant ainsi les améliorations de performances.
Python Time Series Forecasting Data Migration Analyse de données
Datasprints
Data Scientist / Data Engineer
janvier 2020 - novembre 2021 (1 an et 10 mois)
Belo Horizonte, MG, Brazil
Développement d'un système de recommandation (service de préférences utilisateur) pour la plateforme télé-expertise médicale:

- Développer un pipeline de migration de données (OLAP - OLTP): copiage régulier de Redshift vers Aurora.
- Préparer les datasets d'apprentissage et de test: retirer les observations manquantes, encoder les features, etc
- Conception et implémentation d'un moteur de recommandation basé sur les techniques de Word Embedding.

Développement d'un modèle de classification pour distinguer les plaintes répétitives des nouvelles:

- Collecter les données de différentes sources (on-premise, database, data warehouse), concevoir un Common Data Model CDM, transformer les données extraites pour qu'elles correspondent aux entités standard définies.
- Effectuer une étude exploratoire exhaustive et partager les keys-insights avec les experts métiers via un dash.
- Extraire les handcrafted features et utiliser l'open-data pour enrichir l'ensemble de données.
- Réglage des hyperparamètres y compris les paramètres "cost-sensitive learning" pour gérer le déséquilibre des données.

Examiner les performances des dépenses de pneus & fournir des mesures d'économie pour PRAXIO:

- Créer et maintenir des tableaux de bord de Business Intelligence (BI).
- Diriger une équipe d'analystes pour intégrer une culture basée sur les données au sein de l'entreprise.
- Effectuer une compréhension analytique approfondie et fournir des informations exploitables pour une meilleure utilisation des pneus.

Optimisation et déploiement d'un modèle statistique développé par l'équipe R&D afin de mettre au point et centraliser le process de validation des tuyaux industriels:

- Accélérer les simulations de Monte Carlo à l'aide de Numba et Dask.
- Conception d'une infrastructure scalable et serverless hébergée dans le cloud pour contenir le modèle et l'automatisation de son dé ploiement ainsi que le déploiement du modèle dans AWS à l'aide de Terraform.
Cloud Engineer Data science Data Migration Big Data