AM.

Ich baue KI- und Datensysteme und messe, ob sie standhalten.

Sprachmodelle und Retrieval, Datenpipelines, Backend- und Embedded-Software. Die Arbeit veröffentliche ich hier: Notizen, Benchmarks und Forschung, auch die Ergebnisse, die nicht gehalten haben.

Projekt starten Ausgewählte Arbeiten ansehen

Was ich mache

Engineering-Partnerschaften für Teams, die mit KI und Daten bauen.

KI-Systeme in Produktion

Retrieval, Sprachmodelle und Agenten, ausgelegt auf Genauigkeit, Latenz und Kosten. Gebaut für echten Traffic, nicht für Benchmark-Demos.

Daten- und Evaluierungspipelines

Die Ingestion-, Transformations- und Evaluierungsschichten, auf die sich Ihre Produkte stützen. Reproduzierbar, beobachtbar, ausgelegt, ihr erstes Modell zu überleben.

Software und Embedded-Systeme

Die Backend-Services, die Infrastruktur und die Embedded-Arbeit, die entscheiden, ob ein Modell je ausgeliefert wird. Randbedingungen ernst genommen, vom Rechenzentrum bis auf das Gerät.

Forschung

Publikationen und Notizen, aus den Systemen, die ich baue.

  1. BenchmarkEin Leck mit perfekter Kalibrierung: Same-Day-Leakage in der Verspätungsprognose messenWird „wie läuft der Tag an diesem Flughafen“ über den ganzen Tag statt nur über die bereits vergangenen Stunden berechnet, steigt die PR-AUC um 21 % und der erwartete Kalibrierungsfehler fällt auf 0.00008, was jede Ergebnistabelle als 0.000 ausgibt. Gute Kalibrierung belegt keine saubere Pipeline.
  2. ForschungEine Containment-Metrik ohne Untergrenze: ein Audit des Retrieval-Scorings in GraphRAGEin Null-Retriever, der nur Entitätsnamen zurückgibt, erreicht unter Containment-Scoring 100 % Fakten-Recall. Warum dieser Metrik der Boden fehlt, und ein Channel-Gating-Fix, der ehrliche Systeme nichts kostet.
  3. BenchmarkGraphRAG-Retrieval in Synapse messenAcht paraphrasierte Anfragen gegen eine geseedete Neo4j-Fixture: Hit@1 88 %, MRR 0.92. Was Synapses Eval-Harness misst, und was es bewusst nicht behauptet.
Alle Forschung

Projekte

Ausgewählte Projekte, mit offenem Quellcode.

01

Synapse: Open-Source-GraphRAG-Engine

Verwandelt Dokumente in einen abfragbaren Neo4j-Wissensgraphen: LLM-Entitätsextraktion, hybrides Vektor- und Volltext-Retrieval, Subgraph-Expansion und Antworten mit Zitaten zu den exakten Quellknoten. Zehn austauschbare LLM-Provider, Cloud oder vollständig lokal, hinter einer einzigen Umgebungsvariable.

  • Hit@1 88 %, MRR 0.92 im Retrieval-Eval
  • 800+ Tests, CI, Integrationssuite
  • Startet in 60 s mit Docker, ohne API-Key
  • Doppellizenz: AGPL-3.0 / kommerziell
Quelle
GraphRAG Neo4j LangChain FastAPI Next.js
Synapse: Open-Source-GraphRAG-Engine interface
02

Bewertungsvorhersage für Versicherungsrezensionen

Sagt Kundenzufriedenheit aus rohen Versicherungsrezensionen vorher. Vergleicht TF-IDF- und neuronale Baselines mit RoBERTa und einem LoRA-feingetunten LLaMA 3.2, mit SHAP-Attributionen für jede Vorhersage. Bereitgestellt als öffentliche Streamlit-App.

NLP LoRA RoBERTa SHAP
03

PLM-Plattform für Milchprodukte

Product-Lifecycle-Management-Plattform für einen Milchproduzenten: Stücklisten- und Rezepturverwaltung, Lieferanten- und Kundendaten, SolidWorks-Integration, Rechnungsstellung und rollenbasierte Dashboards auf einem MongoDB-Backend.

PLM Full-stack MongoDB RBAC

Frühere Arbeiten

  • EcoStay: Empfehlung nachhaltiger Hotels

    Geospatialer und semantischer Hotel-Recommender für Paris: RoBERTa-Embeddings, gerankt nach Haversine-Distanz, bereitgestellt mit FastAPI in Docker.

  • Schlagloch-Erkennung mit YOLO & DETR

    Benchmark von YOLOv5–v11 und DETR auf eigenen Schlagloch-Datensätzen mit Mosaic- und MixUp-Augmentierung; Ergebnisse in Tableau ausgewertet.

Was Leute sagen

Ein paar Worte von Menschen, mit denen ich gearbeitet habe.

Er übernahm komplexe Aufgaben und lieferte sie mit Strenge und Kreativität, eine seltene Mischung aus forschungsorientiertem Denken und Engineering-Disziplin.
Wafaa El Husseini

PhD · Data Scientist & AI Engineer · Astek

Ich unterrichtete Ahmed während seines Vorbereitungszyklus an der École Polytechnique Internationale: diszipliniert, eigenständig, begabt im Problemlösen.
Marouane Ben Haj Ayech

Informatiklehrer · Polytech Intl

Ahmed ist ein talentierter Entwickler mit soliden Kenntnissen in Sicherheit, Entwicklung und Netzwerk, die er wirkungsvoll einsetzt, um das ihm anvertraute Projekt voranzubringen.
Pierre Lemère

iOS-Entwickler · Swift & SwiftUI · Qovoltis

Über mich

Ich arbeite in der Lücke zwischen einem Modell, das gut demonstriert, und einem System, das sich in Produktion bewährt.

Ich bin Ingenieur, ausgebildet an der ESILV (Data & AI, Master-of-Engineering-Äquivalent), wohnhaft in Paris. Meine Arbeit liegt dort, wo KI und Daten auf echte Randbedingungen treffen: Sprachmodelle und Retrieval, die Pipelines, die sie genau halten, und die Software- und Embedded-Systeme, auf denen sie laufen.

Ich habe LLM-Evaluierungssysteme und prädiktive Modelle bei einem Asset Manager, einer Engineering-Beratung und einem EV-Ladeprodukt geliefert. Überall dasselbe Muster: das Ziel klar definieren, das kleinste System wählen, das es liefert, und es so instrumentieren, dass nichts unbemerkt verfällt.

Ahmed Maaloul
Standort
Paris, Frankreich
Sprachen
  • Arabisch Muttersprache
  • Französisch Zweisprachig
  • Englisch Professionell
  • Deutsch Mittelstufe

Erfahrung

Wo ich gearbeitet habe und was ich geliefert habe.

  1. Apr. 2026 – heute
    Paris

    AI Engineer · Heroiks

    Entwicklung von KI-Agenten und RAG- / GraphRAG-Pipelines von Anfang bis Ende: von der Prompt-Architektur über die Evaluierung bis zum Produktivbetrieb.

    Python LLMs RAG GraphRAG Agents
  2. Feb. – Aug. 2025
    Paris

    AI Engineer · Astek

    Konzeption und Evaluierung eines LLM-gestützten Systems zum Abgleich von Lebensläufen und Stellenangeboten, verglichen über DeepSeek, Gemma, LLaMA, Mistral und Phi. Aufbau der Inferenz- und Evaluierungspipelines sowie Mitautor einer Forschungsarbeit zu hybridem, erklärbarem Matching (Verteidigung 18,5/20).

    Python LLMs RAG Docker Evaluation
  3. Sep. 2024 – Jan. 2025
    Paris

    Data Scientist · Crédit Mutuel Asset Management

    Aufbau prädiktiver Modelle für Rating-Änderungen und Ausfallwahrscheinlichkeiten von Unternehmensemittenten, mit zeitbasiertem Feature Engineering und Behandlung unausgewogener Klassen. Auslieferung eines Werkzeugs für erklärbare KI (SHAP/LIME), das Analysten auf simulierten Investment-Pipelines von 2009 bis 2024 einsetzten.

    Python XGBoost LSTM LightGBM SHAP
  4. Mai – Aug. 2024
    Paris

    Mobile Developer · Qovoltis

    Auslieferung einer plattformübergreifenden Flutter-App zur Konfiguration von Ladestationen für Elektrofahrzeuge: QR-Scan, Hotspot-Kopplung, mehrsprachige Oberfläche. Hotline-Anrufe um 80 % reduziert, Hardware-Tests gemeinsam mit den Embedded- und UI-Teams durchgeführt.

    Flutter Dart IoT

Stack

Werkzeuge, die ich verwende, gewählt für die Aufgabe, nicht für den Lebenslauf.

KI & ML

Python PyTorch scikit-learn Transformers RAG Ollama SHAP

Data & MLOps

FastAPI Docker Airflow Spark Postgres BigQuery GitHub Actions

Backend

Node.js Express MongoDB PostgreSQL

Frontend

React TypeScript Tailwind Vite

Ausbildung

Ingenieursausbildung, Spezialisierung Data & KI.

  1. 2023 – 2025
    Paris

    ESILV

    Diplôme d'Ingénieur (entspricht M.Eng.) · Data & KI

    Praktikumsverteidigung: 18,5/20

  2. 2020 – 2023
    Tunis

    Polytech Intl

    Integrierter Vorbereitungszyklus, Ingenieurstudiengang · Informatik

Kontakt aufnehmen

Lass uns etwas bauen, das sich lohnt.

Ich übernehme nur eine kleine Anzahl von Engagements gleichzeitig. Wenn Sie KI-Features in Produktion bringen und einen durchdachten technischen Partner suchen, schreiben Sie mir. Ein paar Sätze zum Problem reichen mir, um zu sagen, ob ich helfen kann.