Saif Dine El Khantache

• • Ingénierie de Modèles : Conception d'une architecture hybride combinant le Deep Learn ing et Neo4j, permettant de traiter des graphes de propagation complexes.

• • Analyse Propagation : Implémentation d'algorithmes de Graph Data Science (PageRank, Louvain) pour modéliser la diffusion de l'information sur des milliers de nœuds relationnels.

• • NLP Fine-tuning : Optimisation de modèles BERT atteignant une précision record > 99% après un fine-tuning sur des datasets massifs.

• • Reproductibilité IA : Réduction du temps de setup des environnements de 70% grâce à la conteneurisation via Docker et le versioning rigoureux sous Git.

• • Computer Vision : Développement d'un pipeline de segmentation automatique sur im agerie médicale 3D, atteignant une précision (Accuracy) > 95%.

• • Architecture CNN : Optimisation de l'architecture MeshSegNet pour le traitement de mail lages complexes, réduisant les erreurs de segmentation de 15% par rapport aux méthodes existantes.

• • Data Engineering : Gestion et prétraitement massif de 20 Go de données médicales brutes via des scripts Python/Shell conteneurisés, automatisant 100% du workflow de nettoyage.

: Mise en production via FastAPI supportant plus de 50 requêtes simultanées avec un temps de réponse optimisé. Cycle de vie ML (MLOps) : Automatisation complète du déploiement via ArgoCD, permet tant des mises à jour de modèles sans interruption de service (Zero-downtime). Pipeline CI/CD IA : Réduction des vulnérabilités de 90% par l'intégration systématique de scans Trivy et de tests de performance automatisés.