◦ Conception et mise en œuvre d’un système de classification NLP de bout en bout pour détecter des événements critiques rares (attaques animales sur des humains) parmi des millions de personnes
des articles de presse mondiale dans le jeu de données CC-News (2017–2024), abordant un déséquilibre de classe extrême, un bruit élevé et la nécessité d’un continu
Amélioration sans étiquetage manuel à grande échelle.
◦ A construit un pipeline d’ingestion de données en blocs et de traitement distribué en utilisant PySpark pour traiter de gros fichiers Parquet à grande échelle, en appliquant de la légèreté
Préfiltrage basé sur Regex pour éliminer tôt le bruit évident, réduisant significativement la surcharge de calcul tout en préservant le rappel.
◦ Développé et déployé un classificateur transformateur basé sur DistilBERT, entraîné dans 13 catégories d’actualités fusionnées, générant par classe
probabilités et scores de confiance pour raisonner à la fois sur les prédictions et l’incertitude du modèle.
◦ Conçu une boucle d’apprentissage active basée sur le retour : les prédictions à faible confiance étaient signalées pour examen humain et réintégrées dans la rééducation,
permettant au modèle de s’améliorer spécifiquement dans les cas limites et d’atteindre 95 % de macro-F1 sur un ensemble de données fortement déséquilibré grâce à la perte focale.
◦ Intégration d’une couche de raisonnement RAG et LLM pour des cas à fort impact : récupéré d’articles historiques sémantiquement similaires via un vecteur basé sur FAISS
recherche et transmission du contexte récupéré à un LLM hébergé localement (via Ollama) pour générer des explications en langage naturel et permettre au chercheur
des requêtes sur des tendances telles que la localisation ou le type d’animal.
◦ J’ai construit l’ensemble du système localement en utilisant Ollama pour l’inférence LLM, avec Azure Blob Storage pour la gestion des ensembles de données et des artefacts ainsi que le Hugging
Face Hub pour télécharger des poids de modèles pré-entraînés – en maintenant une confidentialité totale des données sans recourir à l’inférence cloud externe.
◦ Empaqueté et déployé l’ensemble du pipeline sous forme de service FastAPI conteneurisé (Docker), exposant la classification, le score de confiance, et
Objectifs explicatifs augmentés par le RAG pour la consommation de recherche en aval.
◦ Mise en œuvre des pratiques MLOps incluant le suivi des expériences et la surveillance en temps réel (MLflow), les métriques de journalisation, les courbes de pertes, la confiance
les distributions des scores, les indicateurs de dérive des modèles lors des sessions de réentraînement, ainsi que le réentraînement automatisé sur les lots de rétroaction, le versionnement des modèles,
et le déploiement conteneurisé, réduisant l’effort opérationnel manuel de 80 %.
◦ Conception de stratégies d’ingénierie à prompts multi-étapes pour la couche de raisonnement LLM afin de réduire les hallucinations, d’améliorer le ancrage factuel, et
Améliorer la fiabilité des sorties pour les requêtes spécifiques au domaine.
◦ A construit et maintenu des pipelines de données robustes pour des ensembles de données textuelles à grande échelle, couvrant l’ingestion, le prétraitement, la tokenisation, l’entraînement, la validation,
et des flux de travail d’inférence de bout en bout.
◦ Respect des principes responsables de développement de l’IA, garantissant l’équité, la transparence et la fiabilité sur tous les systèmes d’IA déployés ; a délivré le
système complet indépendant de la conception de la recherche jusqu’au déploiement en production.
◦ Tech : Python, PyTorch, Transformers (DistilBERT), Hugging Face, Ollama, LangChain, FAISS, PySpark, FastAPI, Docker, MLflow, Azure
Stockage en blob, Linux

◦ Couverture des tests automatisés augmentée de 30 % à 70 % en utilisant des frameworks CI/CD en Java et Python.
◦ Réduction des cycles de régression de 30 % grâce à l’exécution parallèle et à l’optimisation des tests.
◦ Construction de pipelines de validation de données basés sur SQL garantissant des ensembles de données prêts pour l’IA et l’analytique.
◦ Systèmes d’entreprise supportés agissant comme backbone de données pour les pipelines ML et GenAI.
◦ Récompensé par le prix INSTA IRISE pour l’excellence technique.
◦ Tech : Python, Java, Selenium, SQL, Jenkins, Git, Jira, Agile