Rayane Kherzi

• Conception et déploiement d'une application web interactive pour la gestion et la recherche de contacts électoraux, avec backend Node.js/Express et base SQLite, hébergée sur Fly.io pour scalabilité et robustesse.

• Exploitation avancée des données publiques électorales pour réaliser des modèles prédictifs, utilisant des techniques de machine learning (régression, arbres décisionnels) afin d'anticiper les tendances démographiques et électorales locales.

• Automatisation des analyses et visualisations pour permettre un ciblage précis des messages de campagne, optimisant les actions militantes basées sur des insights data-driven.

• Documentation complète du projet et recommandations techniques pour sécuriser les données, améliorer la persistance et envisager une montée en production avec des solutions robustes.

• Participation à des projets de transformation digitale pour des clients Grands Comptes, transformation digitale, conseil, data consulting, digitalisation process, grands comptes, gestion de projet, secteur bancaire, secteur énergie, secteur public.

• Développement, déploiement et monitoring de modèles d'intelligence artificielle en environnement production, MLOps, DevOps, CI/CD, Azure ML, AWS SageMaker, monitoring modèles, DataOps, containerisation Docker, versioning, scalabilité, automatisation workflow ML.

• Intégration et développement d'API IA pour applications métier et chatbots conversationnels (RAG, LLM, NLP), NLP, LLM, API REST, FastAPI, Flask, orchestration microservices, chatbot RAG, IA conversationnelle, GCP, Azure API Management, sécurité API, microservices, documentation Swagger.

• Analyse et visualisation avancée de données clients, datalakes, Power BI, Tableau, ETL, SQL, data profiling, data visualisation, reporting dynamique, data mining, KPIs, dashboarding métier, analyse prédictive.

• Gestion de l'intégration continue (CI/CD) et de l'automatisation du déploiement de solutions IA, Jenkins, GitLab CI, Azure DevOps, pipeline CI/CD, automatisation, monitoring, tests unitaires, Release Management, déploiement continu, cloud infrastructure.

Alignement des entités à l’aide de RREA appliqué aux graphes de connaissances - Cergy, entity alignment, RREA, knowledge graph, graph embedding, KG, machine learning, data science, recherche universitaire, AI research, graph neural network.

Utilisation d’un GAT (Graph Attention Network) pour aligner des entités entre graphes hétérogènes, en utilisant des triplets (entité, relation, entité), GAT, Graph Attention Network, entity matching, triplet modeling, PyTorch, TensorFlow, deep learning, graph data, graph representation, graph matching, relational data, embedding model.

Mise en œuvre d’une approche d’apprentissage semi-supervisé, avec intégration itérative des paires d’entités alignées, semi-supervised learning, weak supervision, iterative training, data augmentation, model refinement, Python, ML pipeline, algorithm design, active learning, workflow automation.

Évaluation des performances via CSLS ; ajustement avec les métriques Hits@1/5/10 et MRR, CSLS, Hits@K, MRR, metric evaluation, model validation, benchmarking, performance metrics, competitive analysis, PyTorch Lightning, research publication, reporting, hyperparameter tuning.