Ali T.

Offre:

AI for Operations

J'accompagne les équipes Ops & Supply Chain dans l'adoption de l'IA pour des décisions plus rapides et mieux informées. Plusieurs projets déja déployés en production. Très bonne connaissance du secteur du Retail.

Forecasting de la demande : modélisation prédictive pour optimiser les stocks, réduire les ruptures et anticiper les pics d'activité (boosting models ou deep learning, modèles séries temporelles).

Inférence causale : mesure rigoureuse de l'impact de vos actions business (A/B testing, DiD, CausalImpact) — pour savoir ce qui fonctionne vraiment.

Mots-clés : demand forecasting, supply chain AI, causal inference, time series, Python

ML Engineering:

Fort d'une expérience dans la création d'une plateforme ML from scratch, j'interviens sur l'intégralité du cycle de vie de vos modèles — de l'expérimentation à la production.

Design d'architectures MLOps robustes et scalables

Déploiement de modèles en production avec monitoring continu

Automatisation des pipelines d'entraînement et de ré-entraînement

Stack : Databricks, Argo Workflows, Kubernetes, GCP, Vertex AI, MLflow

Mots-clés : MLOps, machine learning engineering, model deployment, Databricks, Kubernetes, Vertex AI

- AI engineering:

J'aide les Entreprises à construire des applications LLM fiables et prêtes pour la production, ancrées dans leurs propres données.

Mission actuelle:

- Implémentation d'une architecture MLOps sur Databricks : automatisation du cycle de vie des modèles (entraînement, validation, registry, déploiement), avec gouvernance via Unity Catalog et pipelines reproductibles.

- Déploiement d'un système RAG pour le département RH sur Azure — hybrid search (BM25 + vectoriel) avec reranking sémantique, guardrails out-of-scope, et stack d'observabilité complète (MLflow ) pour le suivi des performances en temps réel.

Contribution à la construction d’une plateforme de Machine Learning robuste permettant de rationaliser l’entraînement, le déploiement et le suivi des modèles à travers de multiples cas d’usage.

Cette plateforme a permis d’accélérer la livraison des projets de ML grâce à la scalabilité, la reproductibilité et l’automatisation.

Industrialisation et déploiement de modèles avancés de prévision causale développés par l’équipe R&D, en transformant du code expérimental en systèmes de production scalables et prêts pour un usage opérationnel. Méthodes définies à l’aide de l’inférence causale.

Data scientist and Machine learning engineer

Lead sur des projets de prévisions de la demande pour les équipes de demand planning et d'inventory management. (Retail Operations)

- Modèles prédictifs avancés(Forecasting) : Conception et implémentation de modèles de prévision multihorizons, avec comparaison aux techniques de pointe en forecasting. (From Arima, boosting models to deep learning models like deepAR)

- Industrialisation : Déploiement de pipelines de Machine Learning robustes (MLOps), intégrant le monitoring des performances des modèles et la détection des drifts en production.

- Formation & transfert de compétences : Création et animation d’un programme de formation sur les méthodologies de prévision et les meilleures pratiques de déploiement (CI/CD, MLFlow)

Environnement technique: Python, AWS, Dataiku, Airflow, MLFlow, Github, Jenkins(CI/CD), Tableau.

Modèles de Séries Temporelles: Arima, Sarimax, Boosting, LightGBM, DeepAR, Sequential models( LSTM ), Pytorch

Impact : Des solutions fiables et scalables intégrées en production

Pricing et Promotion

- Modélisation de la demande : Conception de modèles d'élasticité (incluant l'élasticité croisée) pour analyser les interactions entre produits et optimiser les décisions stratégiques.

- Optimisation des prix : Développement d’optimisation sous contraintes, générant des recommandations précises et alignées avec les objectifs métier.

- Industrialisation des modèles(MLOPS) : Déploiement des pipelines automatisés via Airflow (puis Vertex AI)

- Infrastructure cloud et CI/CD : Exploitation quotidienne de technologies avancées de GCP, combinée à des pratiques CI/CD via Git et Jenkins.

- Agilité et collaboration : Travail en méthode Scrum.

Environnement technique: Python, Google Cloud Platform(GCP), Vertex AI, Airflow, Github, Jenkins(CI/CD), Docker, Kubernetes, Tableau

Optimisation et Programmation Linéaire : Pulp, Pyomo, Bonmin.