[nom]

Data & AI Engineer

Tél: + [téléphone] Courriel : [e-mail] Linkedin : [lien] [nom]

[adresse]

EXPERIENCES

[nom] · Paris , France

Data Analyst · Janv 2026 – Juil 2026

• Comparaison entre algorithmes de segmentation morpho-géométrique et 3 IA (ResNet et DenseNet) pour la quantification des volumes vasculaires
• Collaboration sur une étude longitudinale par scanner MSCT analysant le remodelage vasculaire pulmonaire chez des patients atteints de fibrose pulmonaire.
• Analyse longitudinale appariée des paramètres vasculaires (BV5/BV20, distribution des calibres) en corrélation avec la progression fibrotique (volume, score LIKERT, extension PID.

INTRASENSE · Montpelier, France

Data and AI Engineer · Avril 2025 – Sept 2025

• Développement d’un pipeline de traitement de documents pour indexation RAG dans Azure DevOps, incluant extraction de texte, génération de descriptions d’images via VLM, nettoyage, et conversion vers des embeddings sémantiques
• Intégration de l’architecture avec deux interfaces utilisateur via OpenWebUI et l’autre Flask,
• Évaluation et optimisation de la chaîne de traitement sémantique en testant différentes combinaisons d’embeddings et rerankers (BM 25 , TF IDF, Matryoshka, dual encoders, cross encoders, LLM reranking ), avec suivi des performances via des métriques personnalisées.
• Développement d’un routeur pour classer automatiquement les images médicales par organe après analyse exploratoire des tags (body parts, protocoles, Convolution Kernel etc.) à base LLM

Deloitte · Casablanca, Maroc

Data Consultant AIM team · Fév 2024 – Juil 2024

• Développement d’une application GEN-AI de RAG (Retrieval Augmented Generation) avancée avec boucle corrective basée sur LLM de chatbot de retrouvaille pertinente d’optimisation de gestion de projets avec ChromaDB comme base de données vectorielle et LlamaIndex comme Framework, évalué ensuite par RAGAS et Truelens dans un environnement Azure
• Comparaison entre les différents modèles d’embeddings pour garantir une représentation vectorielle avec sens sémantique puis normalisation des dimensions pour une réduction du temps de retrouvaille.

3DSMART FACTORY · Rabat, Maroc

Data Engineer · Juil 2023 – Sept 2023

• Déploiement d’un modèle Machine Learning de segmentation des dents tridimensionnelle à l’aide d’un scanner d’après le modèle MeshSegNet en AWS avec post processing [lien]
• Création d’une interface FrontEnd en React et son déploiement à l’aide de Vercel et la lier avec l’API déployée.

INEOS SOLUTIONS · Casablanca, Maroc

DevOps engineer · Juil 2023– Août 2023

• Création d’une application de gestion des employés avec Django et son déploiement dans le web et sur un serveur local
• Conception d’un projet de Knowledge Management System d’entreprise pour la gestion des fichier professionnels avec SharePoint.
• Apprentissage de divers concepts et Outils DevOps comme Dynatrace, Azure Devops et AWS et Jenkins pour CI/CD.

FORMATION

UPEC Université Paris-EstCréteil · Paris, France

Master M2 · Sept2024– Sept 2025

Filière : Data Science & AI pour l’Imagerie médicale

Cours pertinents : Deep learning, Données en médecine, CNN, U-Net, nnU-Net , Computer vision , CT Scan , PET , Echographie

INSEA : Institut national de statistique et d’économie appliqué · Rabat, Maroc

Diplôme d’Ingénieur · Sept2021– Juin 2024

Filière : Data&Software Engineering

Cours pertinents: Big Data, Machine & Deep Learning, Data Warehouse, Spark, Usine logiciel, IoT Cloud Computing. Séries Chronologiques

CPGE MP/MPSI · Casablanca, Maroc

Deux années de classes préparatoires · Sept 2019– Juin2021

COMPÉTENCES TECHNIQUES ET LANGUES

Langues : · Français (TCFC2), Anglais (Professionnelle 92 TOEFL)

Stack Technique : · Data Engineering

• Microsoft Fabric, Azure Data Lake Storage Gen2, Lakehouse Architecture, OneLake, Delta Lake, Azure Synapse Analytics, PySpark, SQL (T-SQL), Kusto Query Language (KQL), Azure Databricks, Fabric Pipelines, Azure Data Factory, Dataflows (Gen2), Eventstreams, Data Mirroring, Azure Cosmos DB, Azure Table Storage, Azure Stream Analytics, Data Governance (RBAC, RLS, CLS), Azure AI Foundry ,Snowflake , dbt ,Aws boto3 ,Aiflow Dagster , Hadoop , Mapreduce ,Kafka ,Redshift , Aws lambda , AWS API Gateway , SQL , Scala ,Dynatrace Terraform , Kubernetes

Data Science / Generative AI

• nnUnet , XGBOOST , Random Forest , YOLOv9 , Mrcnn , Streamlit , Flask ,Tableau , Power BI , Langchain ,Langraph , LlamaIndex , ChromaDB , Pinecone ,Selenium, Django , Pytorch , Tenser Flow, seaborn , Plotly scikit-learn , embeddings , RAG , Cross Encoders , Sentence transformers , NLP , BM25 , Agents , TF IDF , LLM , VLM , RAGAS, Openweb ui , Truelens , Vector Stores , ACP , Umap .

PROJETS

Data Ingestion and Real-Time Analytics · Microsoft Fabric, Azure ,Event Hubs, Stream Analytics

• Mise en place d’un pipeline de données en temps réel avec Eventsream pour l’ingestion à haut débit de données de streaming, en simulant des flux IoT à grande échelle.
• Traitement, transformation et analyse des flux en temps réel à l’aide de requêtes KQL (Kusto Query Language) et dépôt des données sur Eventhouse comme sink et Power BI pour visualisation.

Segmentation de cancer multi-structures pour l’évaluation de la résécabilité du PDAC: · nnU-Net, PyTorch, ITK-Snap

• Entraînement d’un modèle nnU-Net 3D sur un jeu de données annoté (411 cas) pour la segmentation automatique de tumeurs pancréatiques (PDAC), veines, et artères proches. Pour évaluer le degré d’envahissement vasculaire afin d’inférer la résécabilité chirurgicale de la tumeur.
• Pipeline de prétraitement complet : normalisation, augmentation de données, séparation training/validation/test, avec configuration progressive des folds.
• Score moyen obtenu sur le jeu de test : Dice PDAC = 0.5732, veines = 0.8755, artères = 0.8833, avec analyse d’erreur selon la taille de la tumeur.
• Comparaison des prédictions avec les annotations de deux radiologues (R1/R2) et d’un modèle industriel existant (Guerbet)
• Exploration de versions à 3 labels vs 6 labels pour évaluer l’impact sur la précision du modèle et la lisibilité clinique des résultats.

Image Instance segmentation MRCNN pour la détection de lapins : · MRCNN, Roboflow, TensorFlow,Pytorch

• Développement d'un modèle Mask R-CNN utilisant un jeu de données personnalisé annoté manuellement (459 images) pour la détection et la segmentation précise de lapins.
• Formation du modèle via transfert d'apprentissage en utilisant les poids COCO pré-entraînés, avec une configuration optimisée des hyperparamètres pour un entraînement sur 10 époques.
• Performance atteinte : mAP de 0,93, précision et rappel équilibrés à 0,86, démontrant une détection fiable malgré quelques cas difficiles.

Certifications

• Microsoft Azure Data Fundamentals DP 900
• Prep Fabric DP-700 Certification
• Dbt Fundamentals
• Databricks Generative AI
• Agentic AI solutions with Azure AI Foundry
• Oracle PL / SQL
• Oracle Database design
• AWS machine learning by Udacity