Ingénieur IA

Collaboration avec la Fondation des Sciences du Patrimoine (FSP) et le laboratoire LIRIS dans le cadre du projet EquipEx+ ESPADON afin de concevoir un outil de curation et de génération de thésaurus.

• Développement de TAC (Thésaurus Automatisé par Curation), un microservice d'intelligence artificielle basé sur des grands modèles de langage (LLM).
• Intégration d'architectures avancées de type RAG et GraphRAG au sein du microservice.
• Réalisation d'opérations de fine-tuning de modèles en utilisant les techniques LoRA et QLoRA.
• Structuration et curation de données selon le standard SKOS et alignement automatisé via le protocole MCP.
• Conception d'une architecture logicielle full-stack robuste avec un backend FastAPI et un frontend React.
• Mise en place d'une base de données orientée graphes avec Neo4j et intégration à l'API Opentheso.
• Conteneurisation de l'application et de ses dépendances avec Docker.
• Orchestration et déploiement avec Kubernetes au sein de l'écosystème numérique de l'infrastructure ESPADON.

Mission au sein de l'INRAE dans le cadre du projet ANR Hérelles portant sur la détection de l'artificialisation des sols à partir d'imagerie satellite.

• Mise en œuvre de processus de segmentation d'images satellites à l'aide des outils QGIS et OTB.
• Entraînement d'un modèle de classification Random Forest pour l'identification des sols artificialisés.
• Obtention de performances d'évaluation de premier plan avec une précision globale (accuracy) de 81 % et un score F1 de 0,79.
• Développement d'un algorithme de détection de motifs spatiaux basé sur des réseaux de neurones sur graphes (GNN) avec Multi-SPminer.
• Validation formelle des motifs détectés par le biais d'un solveur de contraintes (Choco Solver).
• Automatisation de la génération d'explications textuelles intelligibles pour les prédictions grâce à des modèles de langage (LLM).

Stage de recherche et développement au sein du laboratoire LaTIM et du Groupe Evolucare, axé sur l'analyse automatisée de volumes d'imagerie médicale.

• Conception d'un modèle basé sur l'architecture Vision Transformer 3D pour la classification de volumes de tomographie en cohérence optique (OCT).
• Entraînement et validation de l'architecture de Deep Learning sur une base de données clinique de 251 patients représentant 663 volumes.
• Atteinte de performances de diagnostic élevées avec un score AUC de 0,88 pour la détection automatisée d'anomalies.
• Exploration de solutions de recherche explicable (XAI) afin d'assurer l'interprétabilité des décisions du modèle.
• Déploiement d'outils tels que Captum et l'attention Rollout pour identifier les zones d'intérêt clinique.
• Mesure et validation de la pertinence des explications générées avec un score de robustesse atteignant 0,80 AUC.

Projet informatique au sein de l'Université Chouaib Doukkali (UCD) pour la conception et la réalisation complète d'une plateforme de commerce électronique.

• Développement d'une plateforme e-commerce de bout en bout selon une architecture logicielle 3-tiers.
• Mise en œuvre du patron de conception MVC (Modèle-Vue-Contrôleur) pour assurer le découplage des couches logicielles.
• Programmation de l'interface utilisateur dynamique (front-office) et du module d'administration (back-office).
• Conception d'un système de recommandation personnalisé pour optimiser l'engagement utilisateur.
• Algorithme de recommandation basé sur le croisement de l'historique de navigation de l'utilisateur et des promotions en cours.