Hamza Ouhssaine

Les équipes finance importent des exports Excel ou CSV ; l’outil détecte le format réel, interprète les valeurs financières françaises et anglaises, signale les problèmes de qualité, versionne chaque modification et construit des pivots façon Excel aux sous-totaux exacts. L’assistant écrit le SQL, l’exécute sur DuckDB, trace des graphiques en cascade et explique le résultat, puis exporte vers Excel, Word et PowerPoint.

Construit avec Python, FastAPI, pandas, DuckDB, ChromaDB (RAG), agent LLM avec appel d’outils, JavaScript vanilla

Lit neuf formats, y compris les scans et les photos via un OCR par vision ; découpe en chunks selon la structure, sans jamais couper une ligne de tableau ; ajoute le Contextual Retrieval. Recherche hybride BM25 + vecteurs fusionnée par RRF, puis rerank par cross-encoder : sur le corpus d’exemple, le MRR d’un modèle d’embedding faible passe de 0,53 à 0,94. Un agent LangGraph reformule les questions de suivi, décompose les questions à plusieurs volets, critique ses propres preuves et s’abstient plutôt que de deviner. Chaque citation est vérifiée contre son chunk source, et un banc d’évaluation mesure le rappel, le MRR et l’ancrage dans les sources (groundedness) pour chaque modèle. L’ingestion se met en pause et reprend en plein fichier sans jamais payer deux fois le même appel.

Construit avec LangGraph, FastAPI, recherche hybride BM25 + vecteurs (RRF), rerank par cross-encoder, OCR par vision Claude, ChromaDB, SQLite FTS5, pipelines avec pause et reprise, Angular

Un agent SQL à appel de fonctions avec garde-fous, un banc d’évaluation RAG (recall@k, groundedness notée par un LLM juge, ablations sur le chunking), un narrateur de prévisions avec backtests à origine glissante, une sentinelle de dérive avec triage du petit modèle vers le grand, et un pipeline de distillation qui mesure une frontière de Pareto précision/coût.

Construit avec passerelle FastAPI, modèles locaux compatibles OpenAI et tous les grands fournisseurs de LLM, évaluations RAG, distillation, suivi des coûts, Angular

Contrôles préalables contre les malwares et les secrets, analyse statique et de sécurité, feuille de route générée par LLM et classée par risque, puis correctifs en sandbox avec tests et rollback. Il traite le dépôt comme une entrée hostile : conteneurs sans réseau et validation humaine obligatoire. 478 fonctions de test côté backend.

Construit avec LangGraph, FastAPI, sandboxes Docker sans réseau, ruff/mypy, bandit/semgrep/osv-scanner, ClamAV/YARA/TruffleHog, React

Un simulateur d’entreprise déterministe en event sourcing, avec 20 outils, 24 scénarios (dont un tiers qu’on ne peut pas gagner en agissant), 4 scaffolds et 6 profils de politiques avec taint tracking et verrous sur les actions irréversibles. Métrique phare : le succès halluciné, c’est-à-dire annoncer « terminé » quand le registre dit le contraire.

Construit avec FastAPI, WebSocket, simulateur en event sourcing, scaffolds ReAct/Plan-Execute/Reflexion, taint tracking, React

Il profile un jeu de données, planifie et code des expériences scikit-learn dans une sandbox sans réseau aux ressources plafonnées, et exécute sept contrôles de fuite de données qu’il ne peut pas outrepasser ; le holdout est évalué hors processus. Il rapporte l’écart entre validation croisée et holdout, comparé à une baseline naïve.

Construit avec Python, scikit-learn, génération de code par LLM, sandbox avec plafonds CPU/mémoire/PID, évaluation du holdout hors processus

Versions immuables avec des labels de déploiement déplaçables (déployer et revenir en arrière sont la même opération), notation par un LLM juge sur un jeu de référence qui bloque les régressions, répartition du trafic persistante (sticky), et une couche statistique : tests z, test t de Welch, analyse de puissance, détection de SRM, garde-fous de coût et de latence.

Construit avec FastAPI, SDK Python, banc d’évaluation par LLM juge, tests z, test t de Welch, analyse de puissance, détection de SRM, répartition déterministe du trafic, React

Un ensemble XGBoost, LightGBM, LSTM PyTorch, ARIMA et Prophet confronté à des baselines naïves par un backtesting walk-forward honnête, un sentiment d’actualité noté par LLM, et une note quotidienne rédigée par IA, servie par un modèle local compatible OpenAI.

Construit avec FastAPI, SQLModel, PyTorch LSTM, XGBoost/LightGBM, ARIMA/Prophet, backtesting walk-forward, Angular

Un registre de modèles générique avec filtres de domaine, des documents pilotés par machine à états, un stock géré par quants avec reliquats, des variantes de produits, les paiements de factures et les avoirs, plus un assistant IA à appel d’outils branché sur la couche de services. Bilingue EN/FR, avec des tests de concurrence et de verrouillage sur Postgres.

Construit avec FastAPI, SQLAlchemy, PostgreSQL, Alembic, Docker, assistant à appel d’outils, React