Trois profils.Un seul ingénieur.

Pipeline de machine learning de bout en bout conçu pendant mon stage chez AKWA Group, suivant la méthode CRISP-DM, pour détecter les transactions présentes dans Afriware mais absentes de l'ERP JDE. Comparaison de modèles supervisés (régression logistique, SVM, arbre de décision, Random Forest, KNN) et non supervisés (Isolation Forest, autoencodeur) — Random Forest retenu, atteignant 98% de précision et un F1-score de 85%, appliqué sur plus de 6 millions d'enregistrements SQL.

Détecteur YOLOv8 de 7 catégories de pathologies dentaires (remappées depuis 14 classes) sur radiographies panoramiques, évalué sur un jeu de validation, de test et un jeu externe. Pipeline MLOps complet : données versionnées avec DVC, expériences suivies dans MLflow, registre de modèles (champion/candidat), API FastAPI conteneurisée et interface React. CI/CD GitHub Actions avec tests pytest et déploiement sur Azure Container Apps et Vercel.

Outil agentique LangGraph qui confronte un CV à une offre : pour chaque compétence demandée, il retrouve la preuve dans le CV (RAG hybride BM25 + embeddings, fusion RRF), la classe (visible, cachée, implicite, absente), calcule un score et propose des reformulations sans jamais inventer d'expérience. Principe « le LLM propose, le code vérifie » : citations contrôlées mot pour mot, score calculé en code, validation humaine (interrupt). API FastAPI en streaming (SSE), site Next.js, 125 tests pytest, CI GitHub Actions et image Docker pour Azure Container Apps.

Système de détection en temps réel de comportements suspects sur vidéos de surveillance. Pipeline YOLO (détection de personnes), DeepSORT (suivi), MediaPipe Pose (landmarks) et extraction de features comportementales (vitesse, main vers poche ou sac, posture), classées par un LSTM bidirectionnel avec attention ou par un mode heuristique, avec alertes en surimpression.

Outil Python qui scrape les annonces de motos d'occasion en Europe (LeParking) et au Maroc (Avito) avec Selenium, interroge l'API de la douane marocaine pour obtenir la valeur taxable, calcule la marge d'importation de chaque annonce et visualise la distribution des marges par modèle en chandeliers.

Application mobile Flutter de pilotage d'irrigation multi-zones en temps réel, reliée à un ESP32 et un Arduino Mega via Firebase Realtime Database : commandes sécurisées (une seule zone active, machine à états côté Arduino), plannings d'arrosage, historique et statistiques de consommation d'eau, authentification Firebase et Google Sign-In.

Segmentation sémantique de scènes urbaines sur Cityscapes : exploration du dataset, U-Net de référence en PyTorch (chargement des données, transformations conjointes image/masque, métriques mIoU et pixel accuracy à partir de la matrice de confusion) et expérimentation d'une variante entraînée par auto-distillation.

Cinq projets progressifs : MLP sur données cliniques (84,8 % d'accuracy sur la maladie cardiaque) et détection de fraude bancaire (ROC-AUC 0,90), convolutions 1D/2D/3D codées à la main en NumPy sur signaux biomédicaux, triage de radiographies (CNN et VGG16 à 93 %, YOLOv8n 24× plus rapide que Faster R-CNN) et distillation de connaissances (KD, Attention Transfer, FitNets, RKD) vers un modèle de 7 539 paramètres.

Fine-tuning d'AraBERT (bert-base-arabertv02) sur ArCOV19-Rumors pour détecter la désinformation médicale dans des tweets arabes : normalisation du texte arabe, déduplication, seuil de décision optimisé, analyse d'erreurs et comparaison à une baseline TF-IDF — 87 % d'accuracy et 0,87 de F1 macro sur le jeu de test.

Identification de locuteur robuste pour des communications radio de police : simulation d'un canal P25 (filtrage passe-bande, bruit contrôlé par SNR, compression dynamique) sur des voix VoxCeleb, augmentation par SNR, extraction de features MFCC, deltas et spectrales, classification SVM (noyau RBF, grid search) — 86,98 % de précision sur 50 agents — et interface Streamlit d'identification en temps réel.