Ouassila H.

-Mise en place d’une solution de matching sémantique entre documents hétérogènes en se basant sur la vectorisation par modèles Transformer (GPT), et en gérant l’orchestration via LangChain et les modules RAG. Les embeddings sont indexés dans Vertex AI et la modélisation des entités extraites est faite avec Neo4j sous forme de graphe orienté.

- Initiation et formation de salariés à utiliser les IAs accessibles à optimiser leurs tâches quotidiennes, notamment l’IA Générative à travers un programme étalé sur quelques jours.

- Conception et déploiement d’une infrastructure cloud évolutive sur Google Cloud Platform, conçue pour traiter efficacement des volumes massifs de données en temps réel. Cette architecture a garanti performance, flexibilité et coût optimisé, tout en s’adaptant dynamiquement aux pics de charge et aux besoins métiers. Des temps de réponse de moins 10ms dans 90% des cas.

- Mise en place d’un plan de gouvernance des données en étroite collaboration avec les métiers dans un contexte environnemental, afin de fiabiliser les référentiels, améliorer la traçabilité des traitements et optimiser les flux critiques. En co-construisant un data catalog, un glossaire métier et des indicateurs de performance, nous avons pu modéliser les processus, automatiser les workflows et intégrer des outils comme Talend et Power BI pour piloter les flux. Cette démarche a permis de réduire les erreurs de traitement de 30 %, d’accélérer les reportings de 25 %, et d’améliorer significativement la collaboration entre IT et métiers, tout en renforçant la conformité aux normes RGPD et ISO 27001.

- Développement d’une solution pour le problème de Bin Packing 3D en se basant sur une approche hybride combinant plusieurs algorithmes d’optimisation : le recuit simulé, les algorithmes génétiques et la recherche tabou. Le recuit simulé a permis d’explorer efficacement l’espace des solutions en évitant les minima locaux, tandis que les autres méthodes ont servi à affiner les configurations et accélérer la convergence. Le taux moyen de remplissage des conteneurs a atteint 92%.

-Conception et développement d’un algorithme de reconnaissance d’image basé sur YOLOv5 pour détecter en temps réel la présence des mesures de sécurité auprès de personnes. L’algorithme utilise la détection d’objets pour identifier les personnes et les équipements, combiné à un module de suivi multi-cible (Deep SORT) pour suivre les individus sur plusieurs images. La distance est estimée à partir des coordonnées des bounding boxes et des paramètres de calibration des caméras , permettant de déclencher une alerte si le seuil de sécurité est franchi. Le modèle a atteint une précision moyenne de 93 % pour la détection des EPI et 80 % pour l’estimation de distance.

- Développement d’un algorithme d’optimisation budgétaire pour une plateforme de gestion et de diffusion de contenus digitaux destinée aux entreprises. En s’appuyant sur le Marketing Mix Modelling (MMM), le modèle identifie les canaux les plus efficaces et propose une répartition optimale des ressources pour maximiser l’impact des contenus tout en réduisant les coûts en suivant une approche data-driven.

-Animation de séminaires, conférences et ateliers de sensibilisation aux enjeux de l’IA et aux menaces en cybersécurité, en abordant des thèmes comme l’éthique algorithmique, les risques liés au deep fake et les attaques ciblant les systèmes intelligents.

- Constitution et pilotage d’une équipe de data scientists en assurant leur encadrement technique, leur montée en compétence et la coordination des projets.

-• Dans le cadre d’un projet de surveillance automatisée des infrastructures, j’ai développé des modèles de Deep Learning pour la reconnaissance d’images appliquée à l’analyse vidéo de canalisations. En utilisant des architectures de réseaux convolutifs (CNN), combinées à des modèles de segmentation U-Net, l’algorithme est capable de détecter avec précision des anomalies visuelles comme les fissures, les fuites, les effondrements ou les obstructions. Les vidéos issues de caméras embarquées étaient prétraitées puis analysées pour identifier les zones à risque. Le système intègre également des techniques de post-traitement comme l’analyse morphologique et le filtrage spatial pour affiner les résultats. Les modèles ont atteint une précision supérieure à 80 % pour la détection de fissures et 88 % pour les fuites, avec un taux de faux négatifs inférieur à 6 %, permettant une intervention ciblée et rapide des équipes de maintenance.

-• Conception de modèles prédictifs avancés en machine learning appliqués à des données temporelles multivariées pour répondre à des problématiques industrielles et environnementales telles que la gestion proactive des alarmes, l’optimisation du dosage des réactifs chimiques, et la détection précoce de la présence de pesticides. En combinant des approches de modélisation séquentielle comme les réseaux de neurones récurrents (LSTM, GRU), les modèles hybrides CNN-LSTM, et des algorithmes comme (XGBoost, Random Forest, LightGBM) intégrés à des pipelines de traitement automatisés. Des techniques de feature engineering telles que le fenêtrage glissant, l’extraction de tendances saisonnières, et la normalisation temporelle ont été utilisées pour améliorer la qualité des prédictions. Certaines de ces solutions ont été déployées via des microservices conteneurisés, interfacés avec des dashboards interactifs (Power BI) permettant une prise de décision agile et une amélioration tangible du ROI opérationnel.