Data Scientist | AI Engineer

A intégré l'équipe vision par ordinateur et OCR de Tessi dans le cadre d'un projet de fin d'études pour améliorer le traitement automatique des documents.

• A conçu un classificateur hybride utilisant HoughLines et YOLOv8m pour la détection précise des bordures dans les tableaux, avec fine-tuning sur 5 datasets.
• A développé un pipeline de fusion multi-modèles par NMS (seuil IoU optimisé) pour combiner les prédictions de plusieurs architectures.
• A implémenté un post-traitement OpenCV (MORPH_OPEN) pour la suppression sélective des lignes de grille et artefacts visuels.
• A créé une interface Flask avec HTML/JS permettant la validation en temps réel des résultats de détection.
• A intégré le pipeline nettoyé en amont du moteur OCR de production OSCAR pour l'extraction et la structuration automatique du texte.

A développé un pipeline d'automatisation end-to-end pour l'extraction de données structurées à partir de factures multi-formats afin de réduire le traitement manuel.

• A conçu un pipeline OCR complet associant OpenCV et PyTesseract avec prétraitement multi-étapes (binarisation, deskewing) pour adapter le traitement à diverses qualités d'image.
• A implémenté un post-traitement par Regex pour la structuration des champs extraits en JSON exploitable.
• A exposé le pipeline via une API REST FastAPI permettant un retour structuré en temps réel.

A développé un système de classification d'images médicales pour l'aide au diagnostic radiologique de pneumonies, atteignant un niveau de précision cliniquement significatif.

• A conçu un CNN personnalisé complété par fine-tuning des modèles ResNet-50 et EfficientNet par transfer learning avec dégel progressif.
• A atteint 92% de précision en classification binaire (pneumonie / sain) sur le set de validation.
• A appliqué l'augmentation de données (rotation, flip, CLAHE) pour réduire le sur apprentissage et améliorer la robustesse générale du modèle.
• A développé une interface Gradio pour l'analyse d'images médicales en temps réel, réduisant le temps de diagnostic de 30%.

A rejoint une équipe data analytics pour mettre en place une infrastructure décisionnelle et soutenir les décisions métier par des données exploitables.

• A collecté, nettoyé et transformé les données source pour le calcul de KPIs stratégiques (taux de conversion, ventes, performance par segment).
• A conçu des dashboards Power BI interactifs avec mesures DAX avancées pour l'exploration multidimensionnelle des données.
• A automatisé la génération de rapports mensuels via VBA, réduisant le temps de production et éliminant les erreurs manuelles.
• A formulé des recommandations actionnables basées sur l'analyse des tendances pour l'aide à la décision.

A réalisé un projet de prédiction des tendances de ventes pour support de la planification et gestion de la demande dans le secteur automobile.

• A modélisé les dynamiques temporelles des ventes historiques en utilisant ARIMA et SARIMA pour capter les saisonnalités et tendances.
• A enrichi le modèle par des régressions sur les variables explicatives et des KPIs stratégiques pour améliorer le pouvoir prédictif.
• A conçu une visualisation interactive Power BI et Streamlit pour le suivi en temps réel des ventes et l'analyse des impacts promotionnels.

A adapté et étendu le framework open-source CrewAI pour construire un pipeline documentaire multi-agents orienté métier.

• A forké et personnalisé CrewAI en créant des agents spécialisés (chercheur, analyste, rédacteur) avec rôles, mémoire contextuelle et outils personnalisés.
• A intégré LLaMA 3 via l'API Groq comme backend LLM pour orchestrer les agents et générer des sorties intelligentes.
• A exposé l'ensemble via une API REST FastAPI et une interface Streamlit pour orchestration visuelle du pipeline.

A développé une plateforme complète d'analyse documentaire intelligente exploitant des techniques d'IA avancées et des LLM pour l'extraction et l'analyse de documents non structurés.

• A conçu un pipeline RAG multi-sources ingérant PDF, documents Word et images scannées avec indexation vectorielle ChromaDB.
• A orchestré une chaîne multi-agents avec LangGraph pour l'extraction structurée, l'analyse approfondie et la rédaction de synthèses automatiques.
• A développé une interface Streamlit conversationnelle permettant l'interrogation intelligente avec citations sources et traçabilité.
• A conteneurisé l'API FastAPI avec Docker et sécurisé l'accès par authentification JWT.