[nom]

[e-mail]

[téléphone]

Maroc, disponible sur Fès

Compétences Techniques

Langages & Backend :

Python, FastAPI, Django REST, REST APIs, microser-vices, React.

Cloud & Azure :

Azure Databricks, Azure Data Lake Storage Gen2, Delta Lake, Azure Synapse Analytics, Azure Key

Vault, VM Azure ; AWS (EC2, S3).

Machine Learning & Deep Learning :

scikit-learn, XGBoost, Isolation Forest, SHAP, Py- Torch, TensorFlow, Keras, CNN, RNN-LSTM, Ro- BERTa, traitement d’images (U-Net, YOLO, OpenCV).

Pipelines de données :

PySpark, Airflow, Kafka, Pandas, NumPy, SQL, Post-greSQL, Redis.

LLM & IA générative :

LLM, RAG hybride (dense + BM25), LangChain, Lang- Graph, LlamaIndex, MCP (Model Context Protocol), prompt engineering, Qdrant, LLM-as-a-Judge.

Git & CI/CD :

Git, GitLab CI/CD, GitHub Actions, Docker, MLflow, Prometheus, Grafana, LangSmith.

Compétences Humaines

• Esprit analytique
• Résolution de problèmes
• Communication technique et métier
• Travail en équipe

Activités parascolaires

• Membre de l’équipe Relations Entreprises du Forum ENSA Tétouan
• Organisation d’événements au sein de la Moroccan Microsoft Community

Langues

Arabe : maternelle

Français : courant

Anglais : courant

Certifications

• IBM — Machine Learning with Python
• IBM — Python for Data Science, AI & Development
• Arizona State University — Introduction to Machine Learning with Python Développeur Python IA — Azure · Machine Learning · CI/CD

Ingénieur Big Data & IA diplômé de l’ENSA Tétouan (2026), développeur Python avec trois stages en IA, dont un PFE à la Banque Centrale Populaire. J’y ai entraîné un modèle de scoring (rappel de 85 %, précision de 89,47 %) puis industrialisé son pipeline de données et de réentraînement, déployé sur Azure via CI/CD ; mon pipeline Azure Databricks couvre 30 millions de vols. Je recherche un poste de Développeur Python IA chez ALTEN Maroc à Fès pour concevoir des solutions d’IA, industrialiser des pipelines de données sur Azure et entraîner des modèles de Machine Learning.

Formation académique

2026 : Ingénierie en Big Data & Intelligence Artificielle — ENSA Tétouan

2020 : Baccalauréat en Sciences Mathématiques A — BIOF

Expériences Professionnelles

Stage PFE AI Engineer — Banque Centrale Populaire · 02/2026 – 07/2026

Détection de fraude bancaire en temps réel : scoring ML hybride, agent LLM, MLOps

Machine Learning — entraînement d’un scoring de fraude hybride

• Cadré 12 cas d’usage avec les experts fraude et validé par POC l’hybridation Isolation Forest + XGBoost avant développement, évitant des refontes d’architecture.
• Entraîné le scoring hybride (Isolation Forest + XGBoost, faible supervision) sur 100 000 transactions synthétiques : rappel de 85 % et précision de 89,47 % en test, décisions expliquées par SHAP.

LLM — assistant IA d’investigation (LangGraph, MCP)

• Développé en Python un agent LangGraph (11 nœuds, 13 outils MCP) permettant aux analystes d’investiguer une transaction en langage naturel au lieu de consulter plusieurs systèmes.
• Sécurisé l’agent par un filtre NER masquant les données sensibles avant tout appel au LLM et une validation humaine (Human-In-The-Loop) sur les 5 actions critiques.
• Mesuré la qualité de l’agent sur 143 évaluations LLM-as-a-Judge (trajectoire 0,978) et tracé chaque session dans LangSmith pour l’auditer et la rejouer.

Pipelines de données, MLOps & déploiement sur Azure

• Fiabilisé le pipeline de données d’entraînement : lecture Spark JDBC en 8 partitions, rapport qualité (doublons, valeurs nulles) à chaque exécution et blocage du réentraînement sous 500 lignes, évitant d’entraîner sur des données non significatives.
• Automatisé le réentraînement tous les 14 jours (Airflow, MLflow champion/challenger) : un modèle n’est promu que si son AUC égale ou dépasse celle du modèle en place.
• Conteneurisé les 15 services (Docker) et automatisé leur livraison sur une VM Azure via GitLab CI/CD, rendant le déploiement reproductible en une commande.
• Supervisé la latence et la dérive du modèle avec Prometheus et Grafana pour repérer une dégradation avant qu’elle n’affecte la détection.

Stack : Python, XGBoost, Isolation Forest, SHAP, PySpark, LangGraph, MCP, LangSmith, FastAPI, Kafka, Airflow, MLflow, Prometheus, Grafana, Docker, GitLab CI/CD, Azure.

Stage AI Engineer — IZEMX · 02/2025 – 01/2026

IAVIA — Plateforme SaaS d’agents IA pour entreprises (agent documentaire)

• Conçu un pipeline RAG hybride LangChain (Qdrant dense + BM25) avec chunking adaptatif : Recall@5 porté de 65–75 % à 80–90 % face au RAG dense seul.
• Parallélisé l’indexation batch sur GPU, déclenchée par n8n à chaque ajout, mise à jour ou suppression de docu- ment, réduisant d’environ 60 % le temps d’indexation.
• Développé en FastAPI des connecteurs OAuth2 vers Google Drive, SharePoint et Amazon S3, permettant à une entreprise de brancher une source documentaire en moins de 30 s.
• Livré le chat web en React et les bots Slack et Teams sur un pipeline RAG unique, avec une latence de bout en bout inférieure à 3,5 s (p95).

BrainBoost — Plateforme EdTech d’IA générative livrée au client final (employé du mois)

• Conçu des pipelines RAG multimodaux (PDF, image, audio) avec LangChain, LlamaIndex et Qdrant, atteignant 85–93 % d’answer relevance et moins de 10 % d’hallucination.
• Benchmarké les modèles OpenAI et des POC vocaux (coût, latence, qualité) pour retenir les modèles adaptés au contexte éducatif, réduisant les coûts d’inférence.
• Développé le microservice IA en Django REST, Celery et Redis : traitements asynchrones fiabilisés (succès > 98 %) et 60–80 % des requêtes fréquentes servies depuis le cache.
• Réalisé avec les Business Analysts le backoffice de configuration des assistants (prompts, modèles LLM, docu- ments), réduisant de 50 à 70 % le temps de paramétrage.

Stack : Python, LangChain, LlamaIndex, Qdrant, BM25, FastAPI, Django REST, Spring Boot, Celery, Redis, n8n, OAuth2, React, GPU, GitLab, Jira (Scrum).

Stage AI Software Engineer — Digital Place · 06/2024 – 09/2024

Assistant vocal bilingue darija/français pour les services financiers

Benchmark & moteur IA multilingue

• Benchmarké 6 technologies d’IA générative (SeamlessM4T, LLaMA, Whisper, modèles Hugging Face sous PyTorch) via des POC et retenu la stack cible en 2 semaines.
• Intégré SeamlessM4T v2 derrière des APIs FastAPI (4 modes voix/texte) et optimisé le pipeline d’inférence, ré- duisant la latence vocale de plus d’1 min à moins de 10 s.

RAG & déploiement

• Développé un RAG LangChain sur documents métier (Qdrant, LLaMA 3.1 70B via GROQ), atteignant plus de 85 % de pertinence et moins de 10 % d’hallucination.
• Livré l’application mobile React Native déployée sur AWS EC2 via GitLab CI/CD, réduisant d’environ 60 % le temps de déploiement.

Stack : Python, FastAPI, LangChain, Qdrant, LLaMA 3.1, GROQ, SeamlessM4T, Whisper, Hugging Face, PyTorch, React Native, AWS EC2, GitLab CI/CD.

Projets

Flight Analytics — Pipeline de données Azure Databricks. Transformer 30 millions de vols en indicateurs ex-ploitables : PySpark sur Azure Databricks, couches Bronze/Silver/Gold en Delta Lake sur Azure Data Lake Storage

Gen2, secrets protégés par Azure Key Vault. Résultat : 5 tables Gold servies à un dashboard React/TypeScript.

Azure Databricks End-to-End — Modélisation et reporting. Ingestion Auto Loader vers Delta Lake, nettoyage

PySpark, couche Gold en schéma en étoile (Delta Live Tables, SCD type 1), Azure Synapse Analytics et Power BI.

Résultat : chaîne complète de la donnée brute au reporting.

CryptoVibe — Sentiment crypto en temps réel (équipe de 5). RoBERTa fine-tuné sur 16 millions de tweets, pipeline Airflow Bronze/Silver/Gold toutes les 6 h, CI/CD GitHub Actions. Résultat : 88 % de précision, corrélation sentiment/prix de 0,65 sur Bitcoin.