Oukacha Ahmed

Contribution au développement de "DocuBot", un chatbot intelligent basé sur une architecture RAG (Retrieval-Augmented Generation), conçu pour fournir une assistance documentaire instantanée et réduire la charge de travail du support technique. Principales réalisations : 🔹 Développement du Pipeline de Données : Mise en place de scripts Python pour l'ingestion, le traitement et l'enrichissement sémantique des questions-réponses à l'aide de modèles d'embedding. 🔹 Intégration de la Recherche Sémantique : Utilisation d'Elasticsearch pour l'indexation des documents et des vecteurs (embeddings), permettant une recherche d'information rapide et pertinente. 🔹 Amélioration Continue : Conception et implémentation d'un système de feedback pour analyser les interactions des utilisateurs, identifier les questions sans réponse et améliorer continuellement la base de connaissances du chatbot. 🔹 Automatisation des Processus : Mise en place de tâches planifiées (Cron jobs) pour automatiser l'exécution des scripts de traitement et de mise à jour de l'index, garantissant ainsi un système évolutif et à jour. Cette expérience m'a permis de développer une expertise dans la construction de systèmes RAG, l'utilisation d'Elasticsearch comme moteur de recherche sémantique, et l'automatisation des pipelines de données pour l'IA.

Au cours de ce stage, j'ai conçu, développé et déployé "Asksource", un système Full-Stack de Recherche et Génération Augmentée (RAG) visant à transformer l'archivage numérique. Principales réalisations : 🔹 Architecture Complète : Développement d'un backend robuste avec FastAPI, d'un tableau de bord d'administration avec React, et d'une interface de chat intuitive avec Next.js. 🔹 Moteur d'IA Avancé : Implémentation d'un pipeline d'IA incluant une recherche hybride (Sémantique + Mots-clés via SPLADE) et une couche de ré-ordonnancement (Re-ranking avec Cross-Encoders) pour maximiser la pertinence des résultats. 🔹 Flexibilité des Modèles : Conception d'une architecture agnostique aux LLMs, supportant à la fois les modèles Cloud (via API OpenAI, Cohere) et les modèles locaux (via Ollama) pour garantir la confidentialité des données. 🔹 DevOps & MLOps : Orchestration de l'ensemble de l'architecture microservices avec Docker Compose, mise en place d'un pipeline de déploiement continu (CI/CD) avec GitHub Actions, et intégration d'outils de monitoring (Prometheus & Grafana). Ce projet a été une opportunité exceptionnelle de mettre en pratique des compétences avancées en ingénierie IA et MLOps pour résoudre une problématique concrète de gestion de la connaissance.

Formation d'ingénieur spécialisée, axée sur l'acquisition de compétences solides en apprentissage automatique (Machine Learning), en traitement du langage naturel (NLP) et en vision par ordinateur. Le cursus met l'accent sur l'application pratique des connaissances à travers des projets académiques et le développement de systèmes intelligents.

Formation pluridisciplinaire qui constitue une préparation rigoureuse aux grandes écoles d'ingénieurs. Le programme a permis de bâtir une base solide dans plusieurs domaines clés : -Mathématiques : Approfondissement des concepts d'algèbre et d'analyse. -Informatique : Acquisition des bases de l'algorithmique, fondamentales pour le génie logiciel. -Physique : Étude des principes essentiels des sciences physiques. Ce cursus prépare efficacement aux exigences techniques et analytiques du métier d'ingénieur.