Mehdi Benabbou

Déploiement en production d’un pipeline de détection d’objets en temps réel sur Raspberry Pi : capture vidéo, inférence du genre et de l’âge via des modèles OpenVINO, détection des collisions et proposition de contenu publicitaire adapté (C++, Linux embarqué). Optimisation de l’inférence embarquée : benchmark de 6 modèles de détection (compromis précision / latence) et accélération GPU custom via DRM/KMS et OpenGL — débit multiplié par 5 (5 → 25 fps). Migration du runtime vers OpenVINO 2024 (conversion et optimisation des modèles) et refonte d’une codebase C++ legacy de 40 k lignes : segfaults et fuites mémoire éliminés (GDB, Valgrind), zéro breaking change. Fiabilisation du système chez le client : diagnostic par analyse des logs noyau Linux, identification et correction des causes de crashs silencieux et de ralentissements. Solution Raspberry Pi rendant le produit viable sur du hardware bas coût, contribuant à ouvrir de nouveaux marchés (Brésil).

Automatisation du traitement de documents juridiques via LLM et pipelines de vision par ordinateur — architecture modulaire (OCR, extraction, classification), 5 000 documents traités. Entraînement d’un modèle YOLO sur un dataset auto-construit de 8 000 images en remplacement d’un service cloud : mAP@50 de 0,91, coûts d’inférence réduits de 70 %. Spécialisation d’un LLM au domaine juridique : fine-tuning et entraînement d’embeddings sur GPU, +18 points de précision en recherche sémantique vs modèle générique. Microservice Python (CRUD) pour un système RAG : FastAPI, MongoDB Atlas, latence p95 < 200 ms ; Scrum et revues de code dans une équipe de 10 développeurs. Outil de scraping pour l’extraction automatisée d’informations structurées au format JSON.