Ouvert aux opportunités · Paris

Des systèmes d'IA qui vont au bout, jusqu'en production.

AI/ML Engineer · IA générative · Machine Learning · MLOps

Bilal Jaouane · ~3 ans

AI/ML Engineer chez SFR. Je conçois aussi bien des modèles de machine learning que des systèmes multi-agents LLM, et je m'assure qu'ils tiennent en production : observables, évalués, déployés.

Voir mes projets → Mon CV LinkedIn

à propos

Du machine learning aux agents LLM, avec le même souci de la production.

Je suis AI/ML Engineer. Je travaille autant sur l'IA générative agentique (systèmes multi-agents en production) que sur le machine learning classique : détection d'anomalies, séries temporelles, computer vision, feature engineering.

Ce qui relie les deux, c'est l'industrialisation (MLOps et LLMOps) : de l'expérimentation au modèle ou à l'agent déployé, évalué et observé. C'est là que se joue le passage du POC au système fiable.

Formé en Big Data Engineering, avec un socle en data science, vision et traitement du signal. Aujourd'hui, point de référence IA générative de la Direction Réseau de SFR.

IA générative & agents

Systèmes multi-agents en production, de l'orchestration à l'interface.

LangGraphDeepAgentsGoogle ADKMCP / FastMCPRAG + GraphRAGLangfuseLiteLLMAG-UI / CopilotKit

Machine Learning & Data Science

Du signal à la décision, avec la rigueur de l'évaluation.

Supervisé & non superviséSéries temporellesDétection d'anomaliesComputer visionFeature engineeringscikit-learnPyTorchXGBoost

MLOps & Data Engineering

Industrialiser, déployer, monitorer : du pipeline de données au modèle en production.

MLflowPrefect / AirflowDockerGitLab CI/CDGCP · Vertex AIMonitoring & driftKafka · RedisNeo4j · ClickHouse · PostgreSQL

parcours

Du signal capteur aux systèmes agentiques.

Depuis 2023 · ~3 ans

AI/ML Engineer, Référent IA générative

· SFR · Direction Réseau

De l'optimisation de la QoS par Machine Learning jusqu'à la conception et l'industrialisation de systèmes multi-agents LLM : orchestration, outillage MCP, interface conversationnelle et déploiement. J'accompagne les équipes de l'idée au déploiement.

2020 à 2023

Data Engineer & Computer Vision

· RATP · SEDIS · Femto-ST

Trois stages de 6 mois : data engineering et automatisation de flux (RATP), vision par ordinateur embarquée (SEDIS) et traitement du signal (Femto-ST). Le socle data & IA sur lequel s'appuient les systèmes d'aujourd'hui.

Formation

Ingénieur ENSMM + MS Big Data

· ENSMM · UTT (Bac+6)

Diplôme d'ingénieur (ENSMM) et Mastère Spécialisé Expert Big Data Engineer (UTT) : architecture de données massives, ML à grande échelle et industrialisation.

études de cas

Cinq projets, de l'IA générative aux statistiques à l'échelle.

Étude de cas · projet phare Multi-agents · en production

Diagnostic Réseau Autonome

Analyse de cause racine réseau, automatisée et événementielle, par un système multi-agents. Voici son architecture (schéma simplifié), en mouvement :

diagnostic réseau · orchestration multi-agents live

< 3 min

temps de diagnostic (vs plusieurs min. à plusieurs heures)

6 équipes

en service à la Direction Réseau

~50

utilisateurs (accès restreint, données critiques)

Contexte

Diagnostiquer une panne mobilise plusieurs experts et de longues investigations manuelles, souvent répétées sur des incidents récurrents.

Solution

Un superviseur orchestre 4 sous-agents (Alarm Analyzer, KPI Analyst, Topology Walker, RCA Reasoner) qui diagnostiquent dès l'incident, sans intervention humaine.

Résultat

Le diagnostic passe de plusieurs minutes, voire plusieurs heures selon la criticité, à moins de 3 minutes, avec un raisonnement traçable de bout en bout.

Décision d'architecture

Un superviseur avec des sous-agents spécialisés plutôt qu'un agent unique : chaque sous-agent a un contexte borné (alarmes, KPIs, topologie, raisonnement), ce qui rend les erreurs localisables et permet d'ajouter une expertise sans tout réécrire. Orchestration LangGraph, corrélation sur données hétérogènes (ClickHouse, Neo4j).

Garde-fou

Le rapport RCA cite systématiquement ses sources (alarmes, KPIs, topologie) et reste une aide à la décision : la validation finale revient toujours à un expert. Chaque étape est rejouable via les traces Langfuse, et le retour de l'expert alimente le feedback de l'agent.

Évaluation

Évalué sur un jeu d'incidents passés à cause racine connue : cohérence du raisonnement notée en LLM-as-judge (Langfuse), complétée par la revue des experts réseau.

Production

En service pour 6 équipes de la Direction Réseau (~50 utilisateurs), avec accès restreint car le système touche à des données réseau critiques.

LangGraphSDK DeepAgentsNeo4jClickHouseLiteLLMLangfuseFastMCP

Assistant · RAG + GraphRAG

Assistant IA Réseau

Assistant conversationnel réseau & documentaire, en langage naturel.

Contexte

Les équipes doivent croiser diagnostics à la demande et documentation d'ingénierie éparpillée, sans outil unifié ni sécurisé.

Solution

RCA à la demande + interrogation documentaire par RAG hybride vectoriel + graphe (moteur LightRAG), le tout protégé par une authentification d'entreprise complète.

Résultat

Un point d'entrée unique et sécurisé pour interroger le réseau et la documentation en langage naturel.

CopilotKit / AG-UIFastAPILightRAG (bge-m3)MCPKeycloak / ADPostgreSQL

Multi-agents · Cybersécurité

Agents Cyber : Vulnérabilités & Scans

Deux agents au service de la cybersécurité du parc réseau (Tenable SC), pilotés en langage naturel : priorisation des vulnérabilités critiques et exploitables, refonte des politiques de scan.

Contexte

Le parc d'équipements réseau est scanné à intervalles réguliers. Les résultats sont volumineux et durs à prioriser, les échecs de scan longs à diagnostiquer, et les politiques de scan (des regroupements historiques de familles de plugins) ne couvrent plus tous les points pertinents pour la cybersécurité.

Solution

Deux agents spécialisés : l'un synthétise les scans, fait remonter les vulnérabilités les plus critiques et les plus exploitables et diagnostique la cause des échecs ; l'autre évalue les politiques de scan historiques et propose une politique mieux adaptée à la couverture cybersécurité. Pilotés en langage naturel via 25+ outils MCP au-dessus de l'API Tenable SC.

Résultat

Une lecture cybersécurité claire du parc : risques réellement exploitables priorisés, échecs de scan expliqués, couverture de scan renforcée, sans expertise pointue de Tenable.

SDK DeepAgentsMulti-agentsCopilotKit / AG-UI25+ outils MCPAPI Tenable SC

Machine Learning

Détection d'Anomalies Réseau

Détection non supervisée des dérives réseau pour l'optimisation de la QoS et de l'expérience utilisateur.

Contexte

Les dérives des indicateurs de Qualité de Service restent noyées dans des volumes massifs de données et sont détectées trop tard.

Solution

Un pipeline de données télécoms et des modèles non supervisés (Isolation Forest) identifient automatiquement les schémas atypiques et les dérives.

Résultat

Détection précoce des anomalies, permettant d'anticiper les dégradations de QoS et d'optimiser l'expérience réseau.

Pythonscikit-learnIsolation ForestpandasSéries temporelles

Data Engineering · Statistiques

Rapprochement Optique / IP

Reconstruire automatiquement l'association entre circuits optiques (WDM) et interfaces IP en corrélant leurs séries temporelles de trafic, à l'échelle d'un réseau national.

Contexte

Les couches optique et IP d'un réseau d'opérateur vivent dans des référentiels séparés. Savoir quelle interface IP transporte quel circuit optique est indispensable (études d'impact de panne, fiabilisation des inventaires), mais cette association n'existe nulle part de façon fiable et exhaustive.

Solution

Les deux couches voient passer le même trafic. Un pipeline Python corrèle leurs mesures de trafic (~150 Go par cycle, ~13 000 extrémités, deux constructeurs optiques) : scoring statistique robuste (z-score, MAD, softmax), décision qualifiée ACCEPT / REVIEW / REJECT, validation contre vérité terrain (holdout gelé, golden samples, 263 tests).

Résultat

99,5 % de précision et ~78 % du parc associé automatiquement, chaîne complète en production : orchestration, exports SQL, web app de supervision avec SSO d'entreprise.

Python · pandas / ParquetStatistiques robustesSéries temporellesPrefectFastAPIDocker · SSO

discutons

Mon profil vous parle ? Écrivons-nous.

AI/ML Engineer, du machine learning aux agents LLM. Ouvert aux opportunités en CDI, au-delà des télécoms. Le plus simple pour me joindre, c'est un mail.

M'envoyer un mail LinkedIn