AM.

Je construis des systèmes IA et data, et je mesure s'ils tiennent.

Modèles de langage et retrieval, pipelines de données, logiciel backend et embarqué. Je publie le travail ici : notes, benchmarks et recherche, y compris les résultats qui n'ont pas tenu.

Démarrer un projet Voir mes travaux

Ce que je fais

Partenariats techniques pour les équipes qui construisent avec l'IA et la donnée.

Systèmes IA en production

Retrieval, modèles de langage et agents conçus pour la précision, la latence et le coût. Pensés pour tenir sous trafic réel, pas pour briller sur un benchmark.

Pipelines de données et d'évaluation

Les couches d'ingestion, de transformation et d'évaluation dont vos produits dépendent. Reproductibles, observables, conçues pour survivre à leur premier modèle.

Logiciel et systèmes embarqués

Les services backend, l'infrastructure et l'embarqué qui décident si un modèle sort un jour. Les contraintes prises au sérieux, du data center jusqu'au device.

Recherche

Publications et notes, issues des systèmes que je construis.

  1. BenchmarkA leak that scores perfect calibration: measuring same-day leakage in delay predictionComputing "how bad is today at this airport" over the whole day rather than the hours that had elapsed inflates PR-AUC by 21% and drives expected calibration error to 0.00008, which any results table prints as 0.000. Good calibration is not evidence of a sound pipeline.
  2. RechercheA containment metric with no lower bound: auditing retrieval scoring in GraphRAGA null retriever that returns only entity names scores 100% fact recall under containment scoring. Why that metric has no floor, and a channel-gated fix that costs honest systems nothing.
  3. BenchmarkMeasuring GraphRAG retrieval in SynapseEight paraphrased queries against a seeded Neo4j fixture: Hit@1 88%, MRR 0.92. What Synapse's eval harness measures, and what it deliberately does not claim.
Toute la recherche

Projets

Une sélection de projets, code source à l'appui.

01

Synapse : moteur GraphRAG open source

Transforme des documents en graphe de connaissances Neo4j interrogeable : extraction d'entités par LLM, retrieval hybride vectoriel et plein texte, expansion de sous-graphe, et réponses ancrées par des citations vers les nœuds sources exacts. Dix fournisseurs LLM interchangeables, cloud ou entièrement locaux, derrière une seule variable d'environnement.

  • Hit@1 88 %, MRR 0.92 sur son éval de retrieval
  • 800+ tests, CI, suite d'intégration
  • Démarre en 60 s avec Docker, sans clé API
  • Double licence : AGPL-3.0 / commerciale
Code
GraphRAG Neo4j LangChain FastAPI Next.js
Synapse : moteur GraphRAG open source interface
02

Prédiction de notes d'avis d'assurance

Prédit la satisfaction client à partir d'avis d'assurance bruts. Compare des baselines TF-IDF et réseaux de neurones à RoBERTa et à un LLaMA 3.2 affiné en LoRA, avec des attributions SHAP expliquant chaque prédiction. Servi via une app Streamlit publique.

NLP LoRA RoBERTa SHAP
03

Plateforme PLM pour produits laitiers

Plateforme de gestion du cycle de vie produit construite pour un producteur laitier : nomenclatures et recettes, fiches fournisseurs et clients, intégration de fichiers SolidWorks, facturation, et tableaux de bord par rôle sur un backend MongoDB.

PLM Full-stack MongoDB RBAC

Travaux antérieurs

  • EcoStay : recommandation d'hôtels durables

    Recommandeur d'hôtels géospatial et sémantique pour Paris : embeddings RoBERTa classés par distance de Haversine, servi avec FastAPI sous Docker.

  • Détection de nids-de-poule avec YOLO & DETR

    Benchmark de YOLOv5–v11 et DETR sur des jeux de données personnalisés, avec augmentation Mosaic et MixUp ; résultats suivis dans Tableau.

Ce que les gens disent

Quelques mots de personnes avec qui j'ai travaillé.

Il a pris en charge des tâches complexes et les a livrées avec rigueur et créativité, un mélange rare entre esprit de recherche et discipline d'ingénieur.
Wafaa El Husseini

PhD · Data Scientist & AI Engineer · Astek

J'ai enseigné à Ahmed durant son cycle préparatoire à l'École Polytechnique Internationale : discipliné, autonome, doué pour la résolution de problèmes.
Marouane Ben Haj Ayech

Enseignant en informatique · Polytech Intl

Ahmed est un développeur talentueux, doté de solides compétences en sécurité, développement et réseau, qu'il met efficacement à profit pour faire avancer les projets qui lui sont confiés.
Pierre Lemère

Développeur iOS · Swift & SwiftUI · Qovoltis

À propos

Je travaille dans l'écart entre un modèle qui démontre bien et un système qui tient en production.

Je suis ingénieur, formé à l'ESILV (Diplôme d'Ingénieur, spécialité Data & IA), basé à Paris. Mon travail se situe là où l'IA et la donnée rencontrent des contraintes réelles : modèles de langage et retrieval, pipelines qui les maintiennent précis, et le logiciel et l'embarqué sur lesquels ils tournent.

J'ai livré des systèmes d'évaluation LLM et des modèles prédictifs au sein d'un gestionnaire d'actifs, d'une société de conseil en ingénierie, et d'un produit de recharge pour véhicules électriques. À chaque fois, le même schéma : définir l'objectif clairement, choisir le plus petit système qui le livre, et l'instrumenter pour que rien ne se dégrade en silence.

Ahmed Maaloul
Localisation
Paris, France
Langues
  • Arabe Langue maternelle
  • Français Bilingue
  • Anglais Professionnel
  • Allemand Intermédiaire

Expérience

Où j'ai travaillé et ce que j'ai livré.

  1. Avr. 2026 – aujourd'hui
    Paris

    AI Engineer · Heroiks

    Développement d'agents IA et de pipelines RAG / GraphRAG de bout en bout : de l'architecture des prompts à l'évaluation jusqu'à la mise en production.

    Python LLMs RAG GraphRAG Agents
  2. Fév. – Août 2025
    Paris

    AI Engineer · Astek

    Conception et évaluation d'un système d'appariement CV–offres piloté par LLM, comparé sur DeepSeek, Gemma, LLaMA, Mistral et Phi. Construction des pipelines d'inférence et d'évaluation, et co-auteur d'un article de recherche sur l'appariement hybride explicable (soutenu 18,5/20).

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

    Data Scientist · Crédit Mutuel Asset Management

    Construction de modèles prédictifs pour les changements de notation et les probabilités de défaut d'émetteurs corporate, avec feature engineering temporel et traitement du déséquilibre de classes. Livraison d'un outil d'IA explicable (SHAP/LIME) utilisé par les analystes sur des pipelines d'investissement simulés de 2009 à 2024.

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

    Mobile Developer · Qovoltis

    Livraison d'une application Flutter multiplateforme pour configurer des bornes de recharge : scan QR, appairage par hotspot, interface multilingue. Appels à la hotline réduits de 80 %, tests matériels menés avec les équipes embarqué et UI.

    Flutter Dart IoT

Stack

Les outils que j'utilise, choisis pour la tâche, pas pour le CV.

IA & 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

Formation

Formation d'ingénieur, spécialité Data & IA.

  1. 2023 – 2025
    Paris

    ESILV

    Diplôme d'Ingénieur · Data & IA

    Soutenance de stage : 18,5/20

  2. 2020 – 2023
    Tunis

    Polytech Intl

    Cycle préparatoire intégré, cycle ingénieur · Informatique

Prendre contact

Construisons quelque chose qui en vaut la peine.

Je prends un petit nombre d'engagements à la fois. Si vous mettez en production des fonctionnalités IA et cherchez un partenaire technique réfléchi, écrivez-moi. Quelques phrases sur le problème me suffisent pour vous dire si je peux aider.