Junior Data Science & Machine Learning Engineer

Intégration d'une équipe de recherche dans le cadre du programme Mitacs Globalink pour développer des modèles d'apprentissage automatique dédiés à l'analyse clinique de la marche à partir de données de capture de mouvement 3D, couvrant des études sur l'autisme, le diabète et l'équilibre des personnes âgées.

• Conception de pipelines de classification de séries temporelles sur des signaux temporels, cinématiques et cinétiques du cycle de marche en Python avec scikit-learn et PyTorch.
• Comparaison de méthodes de boosting de gradient et des SVM à des réseaux de neurones profonds de type CNN et LSTM pour séparer les groupes cliniques et identifier les caractéristiques de mouvement.
• Opérationnalisation du flux de travail de recherche dans une pile MLOps reproductible en utilisant MLflow pour le suivi des expériences et DVC pour versionner les jeux de données, les caractéristiques et les étiquettes.

Réalisation d'un projet de fin d'études (PFE) portant sur le développement de modèles d'apprentissage profond pour l'analyse de matrices de fluorescence 3D d'excitation-émission (EEM/MEEF) afin d'identifier et caractériser des signatures biochimiques.

• Développement de modèles de deep learning pour l'analyse de matrices de fluorescence 3D.
• Évaluation des approches de deep learning par rapport aux méthodes chimiométriques traditionnelles telles que PARAFAC et PLS-DA.
• Implémentation de techniques d'augmentation de données adaptées aux contraintes des signaux spectraux.
• Intégration de méthodes d'explicabilité comme Grad-CAM, Saliency Maps et CBAM pour interpréter les régions spectrales influençant les prédictions du modèle.

Conception et développement d'une plateforme d'aide à la décision pour la bourse de Tunis combinant prévision de séries temporelles, analyse de sentiment FR/AR et détection d'anomalies pour générer des recommandations explicables.

• Construction d'une plateforme de décision pour le marché financier en combinant prévision, analyse de sentiment et détection d'anomalies.
• Implémentation d'un pipeline multi-agents orchestré avec Flask pour la journalisation des flux de travail inter-agents.
• Développement du moteur de prévision incluant EMA, régression pondérée, XGBoost, et des diagnostics ADF/AIC/BIC avec backtesting RMSE/MAE.
• Mise en place du scraping en temps réel d'Ilboursa et de la BVMT, puis intégration d'un simulateur de portefeuille conscient du risque avec personnalisation par renforcement.

Développement d'un système d'apprentissage par renforcement prêt pour la production combinant l'optimisation de politique proximale (PPO) avec la recherche arborescente de Monte-Carlo (MCTS) pour des tâches de prise de décision séquentielle.

• Développement d'un système d'apprentissage par renforcement combinant PPO et MCTS pour des tâches de prise de décision séquentielle avec optimisation des hyperparamètres.
• Construction d'un pipeline de formation et d'évaluation de bout en bout en utilisant Stable-Baselines3 et des environnements Gymnasium.
• Suivi des performances et mise en place de métriques de succès pour la validation du modèle d'apprentissage par renforcement.

Conception d'un système de saisie semi-automatique intelligent extrayant des entités à partir des requêtes d'utilisateurs et générant des requêtes vers une base de données de graphes Supabase pour des suggestions contextuelles.

• Conception d'un système d'autocomplétion intelligent extrayant des entités textuelles.
• Génération de requêtes vers une base de données de graphes Supabase pour fournir des suggestions contextuelles.
• Intégration d'un pipeline combinant NER, embeddings sémantiques et recherche vectorielle avec une interface React en temps réel.
• Configuration d'une architecture avec Docker Compose, Redis, Prometheus/Grafana et des API de NLP.

Configuration de pipelines de génération augmentée par récupération (RAG) pour l'extraction d'informations à partir de documents PDF, d'images et de fichiers texte.

• Configuration de pipelines RAG pour l'extraction d'informations à partir de documents PDF, d'images et de texte.
• Amélioration de la qualité du traitement documentaire grâce à l'OCR, au découpage en blocs (chunking), aux embeddings et à l'optimisation de la recherche.
• Déploiement du service avec FastAPI et des outils de monitoring, puis intégration du côté client.

Développement d'un système de reconnaissance d'entités nommées (NER) pour un client du secteur du recrutement afin de traiter automatiquement des milliers de CV.

• Livraison d'un système de NER pour le traitement automatisé de milliers de CV en utilisant le fine-tuning de LLM et des modèles transformer spaCy combinés à des règles regex.
• Assurance d'une extraction de haute précision des compétences, de l'expérience et de l'éducation.
• Architecturation de microservices FastAPI scalables avec surveillance Prometheus et déploiement MLOps conteneurisé sous Docker.
• Développement d'un tableau de bord client interactif pour la gestion des candidats et la réduction du temps de présélection.

Développement d'une plateforme d'analyse de sentiments multilingue pour le marketing digital en ciblant les dialectes arabes.

• Développement d'un système de classification de dialectes arabes (25 classes) pour la segmentation géographique et le ciblage publicitaire dans le monde arabe.
• Affinement des modèles MARBERT et AraBERT avec des architectures BiLSTM-CNN pour l'analyse des sentiments sur les réseaux sociaux en temps réel.
• Construction d'une application web Flask avec visualisation géographique pour le suivi des campagnes marketing.
• Déploiement de la solution avec ingestion de données sociales par ETL et tableau de bord analytique client.

Développement d'un pipeline de bout en bout pour la classification de sons respiratoires sur le jeu de données médical ICBHI.

• Développement d'un pipeline complet pour la classification de sons respiratoires sur le jeu de données ICBHI.
• Réalisation de l'extraction de caractéristiques par spectrogramme en utilisant Librosa et TorchVision pour l'analyse des signaux audio biomédicaux.
• Implémentation de stratégies de perte avancées telles que la pondération asymétrique des erreurs et l'ajustement des logits.
• Application de l'apprentissage contrastif SwAV avec des ajustements progressifs des poids et une mise à l'échelle dynamique de la température.

Conception du cadre Alpha doté d'une architecture YOLO multi-attention optimisée par quantification INT8 et déployée sur NVIDIA Jetson Orin NX.

• Conception du cadre Alpha avec une architecture YOLO multi-attention optimisée par quantification INT8.
• Déploiement du système sur NVIDIA Jetson Orin NX avec DeepStream pour l'inférence en temps réel en milieu industriel contraint.
• Publication des résultats à la conférence DEXA 2025, démontrant une amélioration de la latence tout en maintenant la qualité de détection pour l'inspection automatisée de panneaux solaires.

Développement d'un système de détection par drone pour la surveillance sur le terrain d'espèces végétales envahissantes.

• Développement d'un système de détection basé sur drone utilisant YOLOv9 et RT-DETR.
• Déploiement du système sur NVIDIA Jetson Orin pour la surveillance en temps réel d'espèces de plantes envahissantes sur le terrain.
• Contribution à une publication acceptée à la conférence KES 2025.

Travail sur un moteur de recommandation de voyage personnalisé propulsé par l'intelligence artificielle générative.

• Affinement de grands modèles de langage (LLM) en utilisant LoRA et PEFT pour générer des recommandations de voyage personnalisées.
• Intégration de la recherche sémantique avec Pinecone et des transformateurs de phrases (sentence-transformers).
• Déploiement du système via FastAPI avec conteneurisation Docker et mise à l'échelle automatique (autoscaling).