AI & Data Engineer

Intégration dans l'équipe data d'une banque centrale pour moderniser et gouverner la couche de données crédit du Datalake CPM, couvrant trois systèmes bancaires distincts.

• Conception et déploiement d'une architecture Bronze/Silver/Gold orchestrée par NiFi et Airflow pour l'ingestion gouvernée de données crédit.
• Implémentation de la traçabilité end-to-end, du lineage des données et de la déduplication des dossiers clients sur les 3 systèmes source.
• Fiabilisation du pilotage du portefeuille crédit (3,15 milliards MAD) en atteignant 99,4% de qualité des données validées.
• Modélisation d'une table de faits Kimball à 5 dimensions pour les analyses décisionnelles du métier crédit.
• Développement d'un agent conversationnel NL-to-SQL sécurisé (basé sur Qwen) permettant aux équipes métier d'interroger naturellement les données crédit en 10 secondes maximum.
• Réduction des délais d'audit de plusieurs heures à 10 secondes grâce aux requêtes conversationnelles sécurisées.

Intégration dans une équipe d'automatisation IA pour améliorer l'extraction de données documentaires et accélérer le traitement des dossiers clients.

• Développement d'une pipeline d'extraction documentaire combinant OCR et LLM pour traiter des PDF, images et fichiers Excel de manière unifiée.
• Amélioration de 15% de la précision globale d'extraction en optimisant les modèles de reconnaissance optique et de compréhension de contenu.
• Automatisation de la collecte, l'extraction et la saisie des données, réduisant le temps de traitement des dossiers de 40 minutes à moins de 3 minutes (-92%).
• Intégration de Tesseract OCR et Hugging Face Transformers pour une reconnaissance textuelle robuste à large échelle.

Développement d'une solution de reconnaissance faciale animale dans un contexte de startup technologique pour améliorer l'identification des animaux domestiques.

• Conception d'une pipeline complète de vision par ordinateur basée sur EfficientNet et SIFT pour la reconnaissance faciale animale de bout en bout.
• Entraînement et validation du modèle de reconnaissance en atteignant 87% de précision sur l'ensemble de validation.
• Optimisation du prétraitement des images en réduisant le bruit de 30% grâce à une pipeline de nettoyage et normalisation robuste.
• Manipulation des frameworks PyTorch et scikit-learn pour l'entraînement, la validation et l'évaluation du modèle.