Ménad Bétouche

Développement d'une plateforme d'agent IA au service du customer care.

J'ai été le premier développeur technique à rejoindre l'équipe des cofondateurs. J'ai pu contribuer au lancement opérationnel de la startup en permettant la validation d'un client stratégique initial et en accélérant plusieurs cas d'usage vers la production.

J'ai orienté certains choix d'architecture backend et frontend, permettant à l'entreprise de démontrer rapidement sa valeur et de poser les bases techniques de sa croissance.

- Participation active à l'ensemble du cycle de développement et de mise en production
- Design et implémentation du socle technique fullstack de la plateforme
- Développement des agents IA avec intégration de LLM
- Déploiement de plusieurs clients en production avec intégration de leurs outils existants
- Inclusion de standards de qualité et maintenabilitéDéveloppement

Au cours de ces 2 années chez Air Liquide, j'ai pu participer à la création de la Stack MLOPS, orchestrant le cycle complet des projets IA de la R&D à la production.

Mon rôle a été de concevoir, créer et déployer les modules d'infrastructure, packager les projets de data science, et transmettre les bonnes pratiques MLOps au sein de l'entreprise.

🚀 Architecture MLOps / déploiement de services à la demande
- Infrastructure as Code et CI/CD (Terraform, Terragrunt, GitLab CICD)
- Développement de modules terraform (mlflow, airflow, grafana, streamlit etc.)

📦 Packaging de POC en solutions production-ready (Python, Poetry, pytest, mypy, flake8)
- Création de CLIs pour les pipelines de données (Step Functions, Airflow)
- Data visualisation et interactivité avec Streamlit
- Outils de suivi de métriques (Grafana, MLflow, Timestream)
- Création de core libraries pour faciliter l'utilisation de différents services (mlflow, services aws etc.) pour les projets ML
- Création des pipelines d'entrainement / d'inférence (airflow, step functions)

👨‍💻 Formation et accompagnement des équipes sur les pratiques MLE/MLOps

Grâce à ces réalisations, le cycle de déploiement en production des projets ML a pu être mis en place et permettre:
- Une infrastructure agile : Déploiement instantané de toute stack d'infra pour n'importe quel projet en un clic
- Plusieurs projets en production, avec un impact positif réel sur le ROI business
- Un développement optimisé : Framework ML, cookie-cutter et bibliothèques spécialisées réduisant la complexité de développement
- Une collaboration renforcée: accélération du delivery des équipes data science de la r&d à la production