Aller au contenu

Houssam El Ayadi · Ingénieur Machine Learning & Data

Des données complexes.Des décisions plus claires.

Je conçois des modèles de machine learning et les systèmes de données qui les rendent utiles : préparation des données, expérimentation, évaluation et intégration dans des applications.

Explorer mes projetsDiscuter d'un projet
  • Data engineering
  • RAG & LLM
  • Automatisation
  • Full-stack
Défiler pour explorer

01Compétences

Quatre disciplines, un seul système.

Elles relèvent souvent d'équipes séparées. Mon travail consiste à les relier, pour que données, modèles et produit avancent ensemble.

  1. 01

    Systèmes d'IA

    Génération augmentée par la recherche (RAG) et fonctionnalités LLM ancrées dans des données réelles et intégrées à un produit.

    • Pipelines RAG
    • Embeddings & recherche vectorielle
    • Intégration de LLM
    • Retour IA & notation

    VoirPipeline de questions-réponses documentairePlateforme de génération de contenu IASimulateur de formation clinique

  2. 02

    Plateformes de données

    Des pipelines qui rendent des données volumineuses et désordonnées consultables, analysables et exploitables.

    • Ingestion & parsing de journaux d'authentification
    • Recherche & agrégation
    • Analyse distribuée
    • Tableaux de bord

    VoirAnalyse des journaux d'authentification

  3. 03

    Automatisation

    Des processus en plusieurs étapes au flux de contrôle explicite, pour un comportement prévisible même avec de l'IA.

    • Orchestration backend
    • Machines à états
    • Workflows d'évaluation
    • Alertes sur KPI

    VoirSimulateur de formation cliniqueAnalyse des journaux d'authentification

  4. 04

    Produits full-stack

    API, persistance et interfaces qui transforment un pipeline en un outil réellement utilisable.

    • Services FastAPI
    • Modélisation des données
    • Interfaces applicatives
    • Supabase · MongoDB · PostgreSQL

    VoirPlateforme de génération de contenu IASimulateur de formation clinique

02Services

Choisissez un défi. Voyez le système prendre forme.

Cinq types de missions, d'une première fonctionnalité IA à la modernisation d'un produit existant. Chacune aboutit à un système que votre équipe peut faire tourner.

  • fig. 01entrées → modèle → validation → sortie

    Illustration conceptuelle : Applications & workflows IA

    Quand votre équipe perd des heures à produire, trier ou rechercher de l'information, je construis des fonctionnalités IA et des workflows connectés qui font le gros du travail, en gardant une personne aux commandes de ce qui sort.

    Parler d'un workflow IA

    Livrables

    1. 1.Interfaces IA pour générer ou traiter du contenu
    2. 2.Intégrations entre modèles de langage, vos données et vos outils
    3. 3.Étapes de validation humaine avant toute publication ou envoi

    Outils types

    • LLMs
    • RAG
    • FastAPI
    • Python

03Projets sélectionnés

Des systèmes que j'ai conçus et construits.

Un produit interne en développement, un pipeline de fin d'études réalisé, un MVP clinique en cours, et une preuve de concept RAG documentaire. Chaque étude indique le problème, ce que j'ai construit, et jusqu'où le travail est allé.

01 — À la uneIA générative · Génération de contenu

Produit interne / développement

Plateforme de génération de contenu IA

content-platform / nouveau brief
Illustration

Brief

Annoncer une nouvelle fonctionnalité aux clients existants. Ton chaleureux, concis, un seul appel à l'action.

Contexte récupéré

  • brand-voice
  • product-notes
  • past-campaigns

Brouillon

Génération

[1] brand-voice[2] product-notes
  1. FastAPI
  2. RAG / LLM
  3. Stockage
  4. Services IA
  5. Sortie
Illustration d'un brief transformé en contenu généré à partir d'un contexte récupéré.
Problème
Un prompt générique produit un texte marketing générique.
Ce que j'ai construit
J'ai construit des fonctionnalités de création de contenu — API, recherche, stockage et post-traitement — dans un produit interne encore en développement.
  • Python
  • FastAPI
  • RAG
  • LLMs
  • Supabase
  • MongoDB
logs → index → alert
Illustration

Logs bruts

  • 12:04:31INFOauthlogin success user=•••
  • 12:04:31WARNauthlogin failed user=•••
  • 12:04:32ERRORauthtoken rejected
  • 12:04:32INFOauthlogout user=•••
  • 12:04:33INFOauthsession refresh
  • 12:04:33WARNauthlogin failed user=•••
  • 12:04:34INFOauthlogin success user=•••
  • 12:04:35ERRORauthmfa challenge timeout
  • 12:04:31INFOauthlogin success user=•••
  • 12:04:31WARNauthlogin failed user=•••
  • 12:04:32ERRORauthtoken rejected
  • 12:04:32INFOauthlogout user=•••
  • 12:04:33INFOauthsession refresh
  • 12:04:33WARNauthlogin failed user=•••
  • 12:04:34INFOauthlogin success user=•••
  • 12:04:35ERRORauthmfa challenge timeout

Événement structuré

{
  "level": "warn",
  "service": "auth",
  "event": "login_failed",
  "reason": "invalid_credentials"
}

Règle d'alerte

SI
login_failed
TAUX
au-dessus du seuil
ALORS
signaler dans le tableau de bord

Évaluation

Illustration de journaux d'authentification bruts analysés en documents structurés, puis consultés dans un tableau de bord.

02Plateforme de données · Projet de fin d'études

Projet réalisé

Analyse des journaux d'authentification

Problème
Les journaux d'authentification restent non structurés et difficiles à consulter.
Ce que j'ai construit
J'ai construit le chemin ingestion, index, analyse et tableaux de bord pour des journaux d'authentification, dans le cadre d'un projet de fin d'études réalisé.
  • Logstash
  • Elasticsearch
  • Spark
  • Kibana

03Recherche · pgvector

POC

Pipeline de questions-réponses documentaire

Un modèle de langage ne peut pas répondre à partir de documents qu'il n'a jamais vus.

J'ai construit une preuve de concept RAG documentaire — découpage, vecteurs, recherche et réponse ancrée — qui n'a pas été menée jusqu'au déploiement.

Preuve de concept. Non poursuivie jusqu'au déploiement.

Lire l'étude de cas Pipeline de questions-réponses documentaire

04IA santé · Formation clinique

MVP en développement

Simulateur de formation clinique

Problème
Un chat ouvert ne peut pas conduire un cas clinique avec des étapes contrôlées et un retour cohérent.
Ce que j'ai construit
J'ai construit des modules fonctionnels d'un MVP de formation clinique — orchestrateur, machine à états, évaluation et retour IA — encore en développement.
  • Orchestration
  • Machine à états
  • Moteur clinique
  • LLM
clinical-sim / boucle de session
Illustration
Illustration d'une boucle de session de formation : action de l'étudiant, transition d'état, évaluation clinique et retour IA, aboutissant à un score.

04Au cœur des systèmes

Comment la donnée devient un produit.

L'architecture de chaque projet, étape par étape. Sélectionnez un nœud, ou utilisez les flèches du clavier, pour voir le rôle de chaque composant.

Un produit interne en développement : des fonctionnalités IA qui transforment un brief en contenu marketing généré, ancré dans un contexte récupéré.

Étude de cas Plateforme de génération de contenu IA →

  1. Un utilisateur décrit le contenu dont il a besoin.

  2. Couche API qui reçoit les requêtes et coordonne chaque étape de la génération.

    • Python
    • FastAPI

  3. Récupère le contexte pertinent et l'injecte dans le prompt d'un modèle de langage.

    • RAG
    • LLM

  4. Conserve les données applicatives, le contexte et les résultats générés.

    • Supabase
    • MongoDB

  5. Services IA complémentaires appliqués au contenu généré.

  6. Le contenu final renvoyé à l'utilisateur.

05Ma méthode

De la question au système en production.

  1. 01

    Découverte

    Comprendre le problème, les personnes concernées et les données existantes avant de choisir le moindre outil.

    Livrables

    • Cadrage du problème
    • Inventaire des données
    • Critères de réussite

  2. 02

    Architecture

    Concevoir le flux de bout en bout : sources, traitement, stockage, intelligence et interfaces.

    Livrables

    • Schéma du système
    • Modèle de données
    • Compromis explicites

  3. 03

    Réalisation

    Livrer par fines tranches verticales, pour que pipeline, API et interface grandissent ensemble et restent testables.

    Livrables

    • Pipelines & services
    • API typées
    • Interface fonctionnelle

  4. 04

    Validation

    Vérifier la qualité des données, la recherche et le comportement des modèles, et la manière dont le système échoue, pas seulement dont il réussit.

    Livrables

    • Cas de test
    • Contrôles d'évaluation
    • Gestion des erreurs

  5. 05

    Livraison

    Déployer, observer et transmettre un système qu'une équipe peut comprendre et exploiter.

    Livrables

    • Déploiement
    • Tableaux de bord & alertes
    • Documentation

—Principes

  1. 01

    L'IA est un système, pas un prompt.

    Les modèles s'inscrivent dans les données, l'évaluation, le déploiement et la supervision. Je conçois la boucle entière.

  2. 02

    La qualité des données passe avant l'intelligence.

    La recherche et les résultats ne valent que par les données et la structure qui les sous-tendent.

  3. 03

    L'automatisation doit supprimer les frictions.

    Pipelines et workflows doivent accélérer les équipes, pas créer de nouvelles tâches manuelles.

  4. 04

    La production compte plus que le prototype.

    Latence, coût, modes de défaillance et observabilité font la différence entre une démo et un produit.

06Technologies

Une stack organisée par fonction.

Les outils classés selon leur rôle dans un système, de la couche que les utilisateurs touchent jusqu'à celle où vivent les données. Appuyez sur un projet — ou un outil — pour voir comment sa stack s'articule.

20 outils dans la stack

  1. 01

    Interfaces & API

    Là où les systèmes rencontrent les utilisateurs et les autres logiciels.

    • Power BICompétence reporting
    • TableauCompétence reporting
    • Next.js · ReactCe site

  2. 02

    Intelligence

    Modèles et recherche qui transforment les données en réponses et en retours.

  3. 03

    Orchestration

    Un flux de contrôle qui garde les processus en plusieurs étapes prévisibles.

  4. 04

    Traitement

    Des pipelines qui nettoient, transforment et analysent les données.

  5. 05

    Données & stockage

    Des bases choisies selon la façon dont les données sont interrogées.

  • Langages :
  • Python
  • SQL
  • TypeScript

07Contact

Un système à construire ?

Je suis ouvert aux postes d'ingénieur Data & IA et aux missions : plateformes de données, fonctionnalités RAG et LLM, automatisation et produits full-stack. Parlez-moi de votre problème.