Data Science & Artificial Intelligence Engineer

Conception et développement au sein du groupe ELKATEB de solutions d'automatisation basées sur l'intelligence artificielle pour optimiser les processus métier.

• Conception et développement d'une application de gestion de flotte intégrant des modules d'OCR intelligents.
• Réduction du temps de planification des itinéraires d'environ 30% grâce à cette application.
• Minimisation de la saisie manuelle des données grâce à l'intégration de la reconnaissance optique de caractères (OCR).
• Conception d'une application de gestion des tâches intégrant l'automatisation des workflows et le suivi opérationnel en temps réel.
• Amélioration de la visibilité des tâches et réduction de la charge administrative globale.

Conception et développement chez Keyrus d'un système automatisé intelligent de gestion des réclamations clients.

• Développement d'un système multi-agents combinant l'IA générative et le Machine Learning pour l'analyse et la classification automatique.
• Atteinte d'une précision de classification de 92% sur le jeu de données d'évaluation.
• Traitement et analyse d'un volume de plus de 10 000 dossiers de réclamation.
• Mise en place d'un pipeline de collecte et de préparation de données automatisé à l'aide d'Apache Airflow pour le web scraping et le nettoyage de données.
• Conception d'une architecture RAG (Retrieval-Augmented Generation) combinant des LLM, des plongements lexicaux (embeddings) et une base de données vectorielle.
• Amélioration de la pertinence des réponses générées d'environ 30% par rapport à un modèle LLM classique.
• Déploiement d'une interface interactive Gradio permettant la démonstration et l'évaluation en temps réel du système.

Projet de recherche universitaire à l'ENSIT sur la prédiction avancée et l'identification du comportement des matériaux à partir d'indices de forme.

• Implémentation de modèles de régression supervisée pour prédire les paramètres des lois d'écrouissage de Swift et de Johnson-Cook.
• Obtention d'un score R2 de 0.96 sur le jeu de données de test.
• Maintien d'une erreur absolue moyenne (MAE) inférieure à 3% sur le jeu de données d'évaluation.
• Comparaison et validation des prédictions des modèles par rapport à des jeux de données expérimentaux et simulés pour s'assurer de leur robustesse.