AI Engineer

Intégration d'EY Tunisia en tant qu'ingénieure IA pour concevoir et développer une plateforme d'IA multi-agents automatisant la génération de rapports réglementaires Bâle III pour les banques.

• Architecture d'un flux de travail multi-agents avec LangGraph pour coordonner des agents spécialisés dans la recherche de données, le calcul, la génération de narratifs et le contrôle qualité.
• Construction d'un pipeline RAG hybride combinant recherche dense et par mots-clés avec ré-classement pour ancrer la génération de rapports dans la documentation réglementaire.
• Conception d'une couche de validation garantissant que le contenu généré par les LLM reste exact et exempt d'informations fabriquées, testé sur de vrais rapports financiers bancaires.
• Livraison d'une solution full-stack avec un backend FastAPI et un frontend React pour la révision et l'exportation des rapports.

Intégration de Navinspire AI en tant qu'ingénieure IA pour construire un pipeline de gestion intelligente du contexte permettant aux LLM de travailler efficacement dans des fenêtres de contexte limitées.

• Conception d'une architecture RAG hybride combinant recherche sémantique et recherche vectorielle pour faire surface au contexte le plus pertinent de manière dynamique.
• Construction d'API REST avec FastAPI pour servir la logique de recherche et de gestion du contexte.
• Optimisation des pipelines de prétraitement et d'indexation de documents pour améliorer la vitesse et la pertinence de la recherche.

Développement d'une plateforme d'IA multi-agents pour la correspondance d'emplois, la planification de carrière et la préparation aux entretiens.

• Utilisation de flux de travail LangGraph et le RAG pour fournir des recommandations personnalisées et adaptées au contexte.

Construction d'une plateforme marketing alimentée par l'IA combinant des LLM, des systèmes de recommandation et l'analyse de sentiment.

• Génération et personnalisation de contenu marketing multimodal.

Conception de modèles de deep learning pour la reconnaissance des émotions de la parole.

• Utilisation d'auto-encodeurs variationnels et de modèles de diffusion pour générer des données d'entraînement synthétiques et améliorer la robustesse du modèle.

Construction et comparaison de modèles prédictifs pour identifier les clients à risque.

• Évaluation de modèles tels que Random Forest, MLP et TabNet.
• Soutien de stratégies de rétention basées sur les données.