Ahmed Ayoubi

Animation d'ateliers avec les équipes métier pour identifier les besoins, croiser des sources documentaires hétérogènes (structurées et non structurées) et concevoir des solutions IA adaptées. Création, implémentation et prototypage de modèles de deep learning (architectures multi-agents, RAG neuro-symbolique) : validation rigoureuse puis mise en production. 99,95 % de fiabilité, 43 réponses correctes sur 46.

Prototypage et validation de plusieurs architectures deep learning (U-Net, ResNet, YOLOv8, transfer learning) sur données visuelles à haute dimension (> 10 000 images). Conception d'un protocole d'évaluation reproductible avec métriques standardisées, validation croisée stratifiée. Précision 92 %, F1 = 0,89. Rédaction d'un mémoire scientifique de 50+ pages et communication des résultats devant jury académique.