Bassem Ben Hamed

Doter les analystes d'un assistant capable de répondre à des questions multi-documents sur un corpus métier (rapports annuels, prospectus, notes sectorielles, conventions de crédit, textes réglementaires BCT/CMF). Un RAG naïf est insuffisant : les questions exigent un raisonnement multi-sauts.

LLM exposé via une API OpenAI-compatible, permettant de basculer entre cloud et on-premise selon les contraintes de confidentialité.

• Base de connaissances en graphe (Neo4j) — extraction d'entités et de relations par LLM (émetteurs, filiales, instruments, garanties, dirigeants, textes réglementaires), interrogeable en Cypher ; chaque nœud reste lié aux chunks sources pour la citation.
• Recherche hybride (GraphRAG) — index vectoriel natif Neo4j, recherche plein texte (BM25) et traversée de graphe.
• Couche agentique (LangGraph) — agent routeur, décomposition et réécriture de requêtes, choix de la stratégie de récupération (vectorielle, Cypher généré par LLM, ou hybride).
• Techniques Advanced RAG — reranking par cross-encoder, boucle corrective auto-évaluée, groundedness check.
• Garde-fous — réponses sourcées (document, page, nœud), refus explicite si la couverture est insuffisante.
• Évaluation — métriques RAGAS (faithfulness, answer relevancy, context precision) face au RAG vectoriel de référence, sur un jeu de questions validé par les analystes.

Vision temps réel de l'activité opérationnelle (dossiers de voyage, colis, statuts Embarquée/Débarquée), alimentée par extraction depuis SQL Server.

Architecture 100 % conteneurisée sur Kubernetes. Les KPIs sont recalculés en cumulé après chaque micro-batch, garantissant la cohérence entre le flux et la restitution.

• Apache Kafka (KRaft) — ingestion des flux vectorys.dossier et vectorys.dossier_sub.
• Spark Structured Streaming — micro-batchs de 10 s : parsing, dédoublonnage, enrichissement, agrégation.
• Apache Iceberg sur MinIO (S3) — stockage transactionnel via catalogue REST.
• Trino — moteur SQL de restitution ; Streamlit — tableau de bord KPI auto-rafraîchi toutes les 10 s.
• Apache Airflow (KubernetesExecutor) — démarrage/arrêt contrôlé du producer et du job Spark, capteurs de santé (Kafka, MinIO, Trino), maintenance Iceberg (compaction, expiration des snapshots), contrôles qualité, replay automatisé et alerting.

L'interprétation manuelle des angiographies coronaires est chronophage et sujette à une variabilité inter-opérateurs. Pipeline IA de bout en bout, de la vidéo jusqu'à la génération du compte rendu médical, comme outil d'aide à la décision clinique.

POC fonctionnel validé avec les cardiologues du service ; travaux valorisés en conférences internationales, en revue et par des posters primés en congrès médicaux.

• AngioGet — segmentation des artères coronaires par U-Net.
• AngioKey — extraction des keyframes les plus informatives de la séquence vidéo.
• AngioID — classification anatomique de l'arbre coronaire (CNN, fine-tuning InceptionV3, dual-stream).
• AngioView — reconnaissance des angles d'acquisition et rattachement aux vues cliniques standard.
• AngioQ — détection et quantification des sténoses (YOLOv8, comparé à YOLOv1 et Vision Transformer).
• AngioIQR — génération du compte rendu médical structuré par Transformers (GPT, BERT), puis évaluation de la qualité des rapports générés.
• DataCath — nouveau jeu de données annoté par les cardiologues via une plateforme web dédiée, publié pour la recherche.

Une solution de détection de vol à l'étalage s'interrompait après environ deux heures sur une erreur out of memory GPU, avec un code organisé en blocs de scripts difficile à maintenir et à déployer.

Résultat : disparition des interruptions par saturation mémoire, service d'inférence en continu, base de code maintenable et prête pour la montée en charge multi-caméras.

• Diagnostic mémoire — profilage de l'inférence, traque des fuites côté Python (tracemalloc) et côté GPU : mise en évidence d'allocations TensorFlow non libérées entre les cycles d'inférence.
• Optimisation de l'allocation GPU — libération explicite et périodique (tf.keras.backend.clear_session(), réinitialisation du graphe), limitation de la croissance mémoire par processus, dimensionnement de la charge par GPU selon les modèles co-résidents.
• Refactoring en API — service FastAPI/Uvicorn avec un endpoint par étage de la chaîne (préprocessing, object detection, action detection), séparant le cycle de vie des modèles de la logique applicative.
• Résilience d'exploitation — supervision par supervisord avec redémarrage automatique en dernier recours.
• Transfert de compétences — revue de code avec l'équipe cliente, documentation des procédures de diagnostic.

Démontrer la faisabilité d'une mise en production industrialisée de modèles ML en s'appuyant exclusivement sur des outils open source, des données brutes au modèle servi.

Démonstrateur complet remis au client comme référence d'architecture open source.

• Développement et données — Jupyter ; versionnage des données et artefacts avec DVC, partage du pipeline via DagsHub.
• Suivi des expérimentations — MLflow (tracking, comparaison des versions, registre de modèles).
• Qualité et tests — Deepchecks (dérive, intégrité, performance) intégré au pipeline.
• CI/CD — Jenkins : à chaque changement, tests, reconstruction des images et redéploiement.
• Serving — API REST FastAPI et application de démonstration Streamlit, conteneurisées (Docker/DockerHub).
• Déploiement — Kubernetes : montée en charge, rolling updates, haute disponibilité.
• Monitoring — Grafana (infrastructure, alerting) et Arize (dérive des prédictions, qualité des données).

Accompagnement de l'équipe data science interne sur la connaissance client, du cadrage métier jusqu'aux modèles.

Résultat : équipe autonome sur la démarche complète, segments exploités pour le ciblage des campagnes et scores LTV intégrés à la priorisation des actions de rétention.

• Segmentation et profiling — variables comportementales RFM (Récence, Fréquence, Montant) construites à partir des données de consommation et de recharge, puis clustering K-Prototypes traitant conjointement variables numériques et catégorielles (type d'abonnement, technologie, zone géographique) ; choix du nombre de clusters (coude, silhouette) et traduction de chaque segment en profil métier actionnable.
• Cross / up / down-selling — modèles de scoring de propension par offre, exploitant segments RFM et historique de souscription.
• LTV — modélisation de la valeur vie client pour prioriser les actions de rétention et arbitrer les coûts d'acquisition.
• Coaching — sessions de travail conjointes sur notebooks, revues de code et de méthodologie.