⚡
Présentation
Ingénieur IA et architecte de workflow IA avec 3 ans d’expérience dans la conception, le développement et le déploiement de solutions alimentées par l’IA, combinée à 5 ans d’expérience professionnelle en développement Python. Spécialisé dans la création de systèmes d’automatisation intelligents, d’agents d’IA, de plateformes d’orchestration de flux de travail, de solutions d’analyse prédictive et de systèmes d’IA Human-in-the-Loop (HITL). Expérimenté dans l’intégration de grands modèles de langage (LLM), pipelines d’apprentissage automatique, API, services cloud, bases de données et cadres d’automatisation métier pour améliorer l’efficacité opérationnelle et la prise de décision.
• Concevoir et développer des applications alimentées par l’IA et des systèmes d’automatisation intelligents.
• Construire et déployer des agents IA à l’aide de LLM et d’architectures multi-agents.
• Architecte des flux de travail opérationnels Human-in-the-Loop (Humain + IA).
• Créer des pipelines d’orchestration de flux de travail par IA pour les processus métier.
• Développer des systèmes de génération augmentée par récupération (RAG) pour la connaissance des entreprises
• Concevoir et développer des applications alimentées par l’IA et des systèmes d’automatisation intelligents.
• Construire et déployer des agents IA à l’aide de LLM et d’architectures multi-agents.
• Architecte des flux de travail opérationnels Human-in-the-Loop (Humain + IA).
• Créer des pipelines d’orchestration de flux de travail par IA pour les processus métier.
• Développer des systèmes de génération augmentée par récupération (RAG) pour la connaissance des entreprises
📋
Parcours
Python Essentials pour MLOps — Coursera
les bases des tests Python. D’un bref aperçu de la bibliothèque standard à l’utilisation d’une approche plus moderne avec Pytest, travailler avec des données avec Pandas et NumPy, créer et utiliser des API avec Python en utilisant HTTP et des outils en ligne de commande, ainsi que des API HTTP pour exposer des modèles d’apprentissage automatique.
Exploiter Ollama – Créer des LLM locaux avec Python
Les commandes CLI d’Ollama et l’API REST pour extraire les modèles vous présentent diverses interfaces utilisateur pour interagir avec les modèles Ollama, incluant un aperçu détaillé de l’application MSTY, la bibliothèque Python d’Ollama pour construire une application LLM locale, une plongée approfondie dans les vectorstores et embeddings pour optimiser les applications LLM, l’appel de fonctions au sein d’Ollama, la création d’un système RAG vocal final.
Algorithmes d’apprentissage avancés — DeepLearning.AI & Stanford University (Coursera) — 27 nov. 2025
les réseaux de neurones et comment les utiliser pour des tâches de classification depuis le début, entraîner votre modèle dans TensorFlow, ainsi que d’autres fonctions d’activation importantes (en plus de la fonction sigmoïde), classification multiclasse, différence entre classification multiclasse et classification multi-étiquette, optimiseur Adam, cycle de vie d’apprentissage automatique, ajustement de votre modèle, et aussi amélioration de vos données d’entraînement. arbre de décision, incluant forêts aléatoires et arbres boostés (XGBoost)
🇬🇧Anglais 🇮🇷Persan
🕐
Horaires de travail
Lundi
De08h00à18h00
Mardi
De08h00à18h00
Mercredi ▪ Aujourd’hui
De08h00à18h00
Jeudi
De08h00à18h00
Vendredi
De08h00à18h00
Samedi
Fermé
Dimanche
Fermé
⭐
Avis
Merci de vous connecter en tant que client pour pouvoir donner votre avis
💬
Aucun avis pour le moment.
Soyez le premier à partager votre expérience avec ce professionnel.