Hamza Z.

Compétences

• FastAPI4/5
• LLM4/5
• MLflow4/5
• Docker4/5
• PyTorch4/5
• RAG4/5
• scikit-learn4/5
• Python3/5
• PostgreSQL3/5
• AWS3/5
• SQL3/5
• Pandas3/5
• Machine Learning3/5
• Deep Learning3/5
• NLP3/5
• TensorFlow3/5
• MLOps3/5
• XGBoost3/5
• C++3/5
• Git3/5

Expériences

1. Data Scientist & ML Engineer

   Mars 2026 — Août 2026

   • Orange Innovation • Lannion, France • Évaluation de modèles génératifs de mobilité (diffusion) pour simuler l’impact environnemental des déplacements, au sein de l’équipe BDW/WIDE (5 personnes). • Map Matching : développé un pipeline HMM pour projeter des trajectoires GPS bruitées sur OpenStreetMap ; pipeline documenté et livré pour reprise par l’équipe. • Ingénierie spatiale : comparé les matrices Origine-Destination synthétiques aux données réelles via Transport Opti- mal et distance de Wasserstein ; résultats présentés lors des revues bimensuelles. • Ingénierie logicielle : conçu le framework interne syntraj_benchmark et parallélisé les batchs de calcul : 12 h → 2 h (-83 % de temps de calcul).

2. Stagiaire AI Engineering

   Juin 2025 — Août 2025

   • E-AMBITION, OuiTrips • Champigny-sur-Marne, France • Recommandation : développé un moteur d’itinéraires touristiques basé sur des embeddings sémantiques et une résolution TSP optimisée ; déployé en production sur la plateforme OuiTrips. • Backend : optimisé les requêtes PostgreSQL et restructuré les endpoints FastAPI, avec -60 % de latence.

   • PostgreSQL
   • FastAPI

3. Détection de fraude bancaire multi-agent

   Nov 2025 — Déc 2025

   • Conçu une architecture hybride combinant XGBoost, réseaux profonds et RAG pour exploiter les descriptions tex- tuelles de transactions ; tracking des expériences via MLflow. • Traité le déséquilibre extrême du dataset (0,17 % de fraudes) avec SMOTE + Focal Loss : Rappel 93,7 % et F1 95,1 %, soit 1.4× la performance d’une baseline logistique. • Contribution scikit-learn : randomized_eigh dans KernelPCA • Mars – Juin 2025 • Implémenté et validé mathématiquement une décomposition spectrale approximative dans KernelPCA ; contribution revue et intégrée par les mainteneurs du projet. • Réalisé des benchmarks de complexité montrant un gain par rapport aux méthodes déterministes classiques.

   • MLflow
   • RAG
   • scikit-learn
   • XGBoost