Aller au contenu
Houssam
EnglishFrançais

Houssam El Ayadi · Ingénieur Data & IA

Des systèmes complexesaux produits utiles.

Ingénieur Data & IA et développeur full-stack, je conçois des plateformes de données, des IA augmentées par la recherche (RAG), ainsi que les API et interfaces qui les rendent utiles.

Voir mes projetsDiscutons-en
  • 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 RAG documentairePlateforme 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 logs
    • Recherche & agrégation
    • Analyse distribuée
    • Tableaux de bord & alertes

    VoirAnalyse de logs ELK

  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 de logs ELK

  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 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.

Quatre projets entre IA générative, plateformes de données et IA santé. Chacun part d'un problème et aboutit à un outil réellement utilisé.

01 — À la uneIA générative · Génération de contenu

Plateforme 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.

Une plateforme de contenu IA qui transforme le brief d'un utilisateur en contenu marketing généré, ancré dans un contexte récupéré.

Problème

Un prompt générique produit un contenu générique. Un résultat utile exige de récupérer le bon contexte et de l'appliquer de façon cohérente, derrière une API fiable.

Approche

  1. 01Un service FastAPI reçoit chaque requête et coordonne le pipeline.
  2. 02La génération augmentée par la recherche fournit au modèle de langage le contexte pertinent.
  3. 03Supabase et MongoDB conservent les données applicatives et les résultats.
  4. 04D'autres services IA traitent le résultat avant qu'il soit renvoyé.
  • Python
  • FastAPI
  • RAG
  • LLMs
  • Supabase
  • MongoDB
logs → index → alert
Illustration

Logs bruts

  • 12:04:31INFOapiGET /health 200 4ms
  • 12:04:31WARNworkerretry job=881 attempt=2
  • 12:04:32ERRORapiPOST /checkout 502 184ms
  • 12:04:32INFOauthlogin ok user=•••
  • 12:04:33INFOapiGET /orders 200 21ms
  • 12:04:33ERRORapiPOST /checkout 502 201ms
  • 12:04:34INFOworkerjob=882 done 1.2s
  • 12:04:35WARNdbslow query 840ms
  • 12:04:31INFOapiGET /health 200 4ms
  • 12:04:31WARNworkerretry job=881 attempt=2
  • 12:04:32ERRORapiPOST /checkout 502 184ms
  • 12:04:32INFOauthlogin ok user=•••
  • 12:04:33INFOapiGET /orders 200 21ms
  • 12:04:33ERRORapiPOST /checkout 502 201ms
  • 12:04:34INFOworkerjob=882 done 1.2s
  • 12:04:35WARNdbslow query 840ms

Événement structuré

{
  "level": "error",
  "service": "api",
  "route": "/checkout",
  "status": 502,
  "latency_ms": 184
}

Règle d'alerte

SI
status ≥ 500
TAUX
au-dessus du seuil
ALORS
alerter l'astreinte

Évaluation

Illustration de lignes de logs brutes analysées en documents structurés puis évaluées par une règle d'alerte.

02Plateforme de données · Observabilité

Analyse de logs ELK

Un pipeline d'analyse de logs qui transforme les logs applicatifs bruts en données consultables, en analyses approfondies, en tableaux de bord et en alertes.

  • Logstash
  • Elasticsearch
  • Spark
  • Kibana
requête → fragments proches → réponse
Illustration
FragmentsEspace vectorielRéponse
Illustration de documents découpés en fragments, encodés en vecteurs, puis des fragments les plus proches récupérés pour fonder une réponse.

03Recherche · pgvector

Pipeline RAG documentaire

Un pipeline de génération augmentée par la recherche qui répond aux questions à partir d'un corpus de documents, grâce à la recherche vectorielle dans PostgreSQL.

  • PostgreSQL
  • pgvector
  • Embeddings
  • LLMs
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.

04IA santé · Formation clinique

Simulateur de formation clinique

Une application de formation clinique où les étudiants traitent des cas, guidés par une machine à états et évalués par un retour IA et une notation.

La formation clinique exige de la structure : les cas doivent suivre des étapes contrôlées et le retour doit être cohérent. Un simple chat ouvert ne suffit pas.

  • Orchestration
  • Machine à états
  • Moteur clinique
  • LLM

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.

Une plateforme de contenu IA qui transforme le brief d'un utilisateur en contenu marketing généré, ancré dans un contexte récupéré.

Étude de cas Plateforme de contenu IA →

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

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. Choisissez un projet pour voir comment sa stack s'articule.

  1. Interfaces & API

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

    • FastAPIUtilisé dans Plateforme de contenu IA
    • KibanaUtilisé dans Analyse de logs ELK
    • Next.js · ReactCe site

  2. Intelligence

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

    • LLMsUtilisé dans Plateforme de contenu IA, Pipeline RAG documentaire, Simulateur de formation clinique
    • RAGUtilisé dans Plateforme de contenu IA, Pipeline RAG documentaire
    • EmbeddingsUtilisé dans Pipeline RAG documentaire
    • Retour IA & notationUtilisé dans Simulateur de formation clinique

  3. Orchestration

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

    • Orchestration backendUtilisé dans Simulateur de formation clinique
    • Machines à étatsUtilisé dans Simulateur de formation clinique
    • Alertes sur KPIUtilisé dans Analyse de logs ELK

  4. Traitement

    Des pipelines qui nettoient, transforment et analysent les données.

    • LogstashUtilisé dans Analyse de logs ELK
    • SparkUtilisé dans Analyse de logs ELK
    • Découpage de documentsUtilisé dans Pipeline RAG documentaire

  5. Données & stockage

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

    • PostgreSQLUtilisé dans Pipeline RAG documentaire
    • pgvectorUtilisé dans Pipeline RAG documentaire
    • ElasticsearchUtilisé dans Analyse de logs ELK
    • SupabaseUtilisé dans Plateforme de contenu IA
    • MongoDBUtilisé dans Plateforme de contenu IA

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.