Khaled Dahmri

Développement et optimisation de la plateforme Content Management Expertise (CMX), une solution SaaS cloud-native et API-driven destinée à remplacer les plateformes legacy telles que Documentum, FileNet ou les NAS. Intégration de fonctionnalités avancées basées sur l’intelligence artificielle, notamment le tagging automatique, la recherche sémantique et la détection de la qualité du contenu.

Taches :

o Développement Python & outillage

o Refactorisation, stabilisation et industrialisation d’outils Python existants

o Conception et développement de nouveaux modules permettant la traduction de règles

métiers en workflows techniques automatisés.

o Participer à la mise en place de services de recherche sémantique et d’auto-tagging

intelligent

o Exploiter les relations entre concepts pour améliorer l’accessibilité et l’analyse des contenus

o Intégration de librairies avancées (NLP, IA générative, sémantique) dans les pipelines de

traitement documentaire.

o Réalisation de Proof-of-Concepts pour des fonctionnalités basées sur l’IA (tagging

automatique, recherche sémantique, détection de qualité de contenu).

o Optimisation de scripts Python

o Appliquer les bonnes pratiques de développement (PEP8, TDD, clean architecture)

o Recueil et formalisation des besoins auprès des experts métiers et des Product Managers.

o Traduire les logiques métiers formulés en langage naturel en règles automatisées

exécutables

• Amélioration de la qualité, robustesse et maintenabilité des outils Python.

• Contribution directe à la modernisation des systèmes de gestion documentaire et à la

migration cloud d’AXA.

Environnement technique : Python, GitHub, AWS, SQLite, Docker, Terraform, MarkLogic

BP2I est la DSI de la BNP Paribas, responsable de la mise en oeuvre de solutions technologiques pour soutenir les opérations internes, en intégrant des outils d’analyse de données et de reporting, tels que le Portail Métrologie. Au sein de l’équipe du Portail Métrologie, composée de 4 membres, ma mission consiste à :

Mettre en place des processus pour collecter et traiter des données provenant de sources

variées telles que Dynatrace, Nimsoft et ServiceNow, concernant l’infrastructure BNP (CPU,

RAM, mémoire, systèmes de fichiers, réseau, incidents, etc.). Ces données sont ensuite

analysées et visualisées sous forme de tableaux de bord Power BI (environ une vingtaine de

rapports) et via des moteurs de recherche, accessibles à tous les métiers de BNP Paribas

(responsables d’application et infra, managers, team leaders, etc.).

Développement des Dashboard PowerBI

Proposer et développer des modèles d’intelligence artificielle afin de répondre aux besoins

spécifiques des différents métiers.

Travaux réalisés :

Participation à la migration des anciens scripts shell vers la plateforme Airflow et les mise

en production.

Création et surveillance des workflows Airflow pour la collecte et le traitement des

données.

Participation à la mise en place d’un catalogue de rapports (tableaux de bord Power BI et

graphiques JavaScript).

Mise en place et gestion des processus de qualité des données (Data Quality Process) afin

de garantir la fiabilité et la précision des information utilisées dans les tableaux de bord et

les rapports du Portail Métrologie, contribuant à une prise de décision éclairée

Développement et tests de modèles de Deep Learning (CNN) pour évaluer la qualité du

texte dans les champs de notes de résolution des incidents dans ServiceNow

Environnement technique : Python, Airflow, Hadoop, Hive, Pyspark, Mysql, PowerBI,

Dynatrace, NimSoft, Visual studio code, Pycharm, Putty, Workbench, Gitlab, Gitlab CI/CD,

TensorFlow, word2vec, Jupyter, Docker, FastAPI, IBM cloud.

L’objectif de ce projet est de mettre en place une plateforme qui permet aux différentes boutiques de SFR d’identifier les profils des clients, calculé les entrées/sorties, monitorer l’activité des clients dans la boutique et fournir un reporting en temps real (visualisation).

- Utiliser un modèle pré-entrainer (YOLO) pour la détection des personnes et tracer leur trajectoire.

- Implémentation d’un modèle de deeplearning pour la détection de genre et d'âge

- Implémentation d’un modèle de deeplearning pour la détection différents types de vêtements.

- Implémentation d’un modèle de deeplearning pour la reconnaissance des personnes.

- Implémentation d’un modèle de deeplearning pour la détection des masques.

- Transformation les différents modèles réalisés en mode API et les mettre dans une image Docker.

- Préparer le backend pour récupérer les flux vidéo des différentes caméras afin de les analyser frame par frame dans le but de détecter les personnes, leur âges et genres, et calculer leurs entrées/sorties et stocker ces informations dans une base de données elasticsearch.

- Préparer le fontend pour afficher les résultats de l’analyse en temps reél.

- Préparer le reporting en format des graphs dans kibana et l’intégrer dans le frontend.

- Préparer une image docker pour le frontend et le backend.

Environnement technique :  Python3.8 (keras, tensorflow, pytorch, Django, opencv), elasticsearch, kibana, gitlab/CI, Docker, Pycharm, Visual Studio Code.