À propos de Mohammed
Spécialiste en Intelligence artificielle, j'ai travaillé pendant plus de 9 ans à la conception de modèles de machine learning dans un cadre industriel. (Computer vision, ML Ops, Gen AI, recommendation et prédictive...)
Diplomé de l'Ecole Centrale Paris en mathématiques appliqués et master MVA de l'ENS Paris Saclay, agréé CIR, je suis passionné par la résolution des problèmes business complexes à travers des solutions techniques précises et scalables.
Je suis prêt à me déplacer sur Paris et environ (ou tout autre région de France).
N'hésitez pas à me contacter, je serais ravi d'échanger avec vous sur vos projets !
Français
Bilingue ou natif
Anglais
Bilingue ou natif
Arabe
Bilingue ou natif
Accepte de travailler sur site
Paris (jusqu’à 50 km), Nantes (jusqu’à 50 km), Toulouse (jusqu’à 50 km), Lyon (jusqu’à 50 km)
Expériences
- SPOTWORKLLMOps – GenAI EngineerCONSEIL & AUDITjanvier 2024 - décembre 2024 (11 mois)- Conçu et déployé une architecture RAG (Retrieval-Augmented Generation) basée sur LLMs pour la génération automatisée de propositions commerciales à partir d’appels d’offres.- Intégré un graph de connaissances dynamique (temporalité, relations hiérarchiques, entités croisées) afin d’améliorer la structuration et le filtrage des documents récupérés.- Implémenté une orchestration multi-agent avec LangGraph : réécriture de requêtes, pondération des documents, évaluation sémantique des réponses.- Enrichi la génération avec un système de prompt engineering adaptatif, combinant contextes hiérarchisés et exemples dynamiques.- Mis en place une pipeline LLMOps complète : CI/CD avec GitHub Actions, suivi de version des modèles avec MLflow, monitoring des métriques clés (tokens, coût, temps d’inférence).- Implémenté un système d’évaluation modulaire avec ROUGE, METEOR, SemScore et context precision.- Généré des réponses 35 % plus pertinentes par rapport à une baseline statique, tout en réduisant le temps de rédaction manuelle à quelques secondes.
- HudlIA Architect/ Expert IASPORTdécembre 2024 - mai 2025 (5 mois)Standardisation et consolidation des pipelines d'entraînement Machine Learning :- Pilotage de la fusion de plus de 40 repositories ML fragmentés (PyTorch, PyTorchLightning, Polyaxon) en un monorepo unifié multi packages, structuré par type detâche.- Définition de l’architecture du repo : gestion des dépendances, organisationmodulaire des modèles, datasets, et scripts d'entraînement.- Mise en place de CI/CD sur mesure (tests, lint, validation des métriques,packaging) et de commit hooks pour renforcer la qualité et la cohérence du code.- Normalisation des interfaces d'entraînement, pratiques ML Ops, standardisation des formats d’I/O modèles et des structures de données pour permettre la scalabilité des workflows.- Définition d’un schéma générique de description de modèle entraîné, permettantde découpler totalement les workflows Data Science et Engineering.
- Beefutures.ioLead AI EngineerINTERNET DES OBJETSjanvier 2023 - décembre 2023 (11 mois)Conception d'une solution d'intelligence artificielle pour une ruche numérique, intégrantdes analyses en vision par ordinateur:- Développement d'algorithmes robustes de détection et de tracking en temps réelen production avec une précision de 100% même dans des scénarios denses tout en maintenant un framerate de 30 fps sur Raspberry Pi.- Mise en place de pipelines d'annotation, quality assessment, calibration descaméras et d’entraînement versionnées et orchestrées sous Kubernetes.- Invention et implémentation de couches personnalisées pour la détection de petits objets(5 pixels) en utilisant des paradigmes de Few-Shot Learning à la pointe, tout en maintenant 30 fps avec un mAP de 98%.Expertise au niveau des accélérateurs d'IA (Edge Computing) :- Optimisation des réseaux neuronaux (DNNs) sur Raspberry Pi avec les accélérateurs Hailo AI, augmentant les performances de 5 fps à 30 fps et réduction des coûts clients d'environ 80%.- Développement d'opérations et de couches non supportées avec des méthodes de quantification sur TFLite pour assurer la compatibilité avec Coral TPU.- Création d'une bibliothèque permettant de simplifier l’export de modèles de deep learning, en gérant la compatibilité des couches et des opérations.Conception et mise en œuvre de services audio basés sur l'IA- Exploitation de méthodologies avancées de traitement du signal (Wavelet, MFCC …) pour isoler des motifs significatifs à partir de jeux de données bruités, en tenant compte des disparités entre différentes colonies.- Construction de modèles d’attention (variante du modèle LAS) adaptés à l’analyse des comportements des colonies, permettant une détection précoce de l’essaimage avec une précision de 98% contre 58% des modèles state of the art.- Conception de pipelines scalables avec le CTO pour le traitement audio et l’intégration des modèles d’IA, garantissant des performances robustes dans des environnements en temps réel.
Recommandations
Ces profils de freelance correspondent également à vos critères
Agatha Frydrych
Backend Java Software Engineer
4.7
(3)
2
Baptiste Duhen
Fullstack developer
4.6
(4)
5
Amed Hamou
Senior Lead Developer
4
(2)
7
Audrey Champion
Web developer
4.3
(3)
4
Formations
- MVAEcole Normale Supérieure Paris Saclay2015Machine Learning, Statistical Learning, Reinforcement Learning, Graph Theory, Computer vision, Sparse coding
- Diplôme d'IngénieurCentrale Paris2015Mathématiques appliqués et management de projet