Mounaim Belkhoumali

I designed and delivered 2 B2B SaaS platforms integrating production LLMs end-to-end, plus a part-time backend engagement on the MapBrain platform. I ensured the transition from AI prototypes (LLMs, autonomous agents) to production-ready applications.

A SaaS platform delivered as a white-label handover to an IP consulting firm. Features a conversational patent-drafting assistant (a guided 4-step chat generating an INPI/EPO draft), a multi-source prior-art search engine (USPTO / EPO / Google Patents), an INPI official-notification response generator, a GDPR-compliant self-hosted voice assistant, and a full multi-tenant back-office, enabling IP consultants to draft and manage portfolios faster.

A document management SaaS for Swiss fiduciaries. A multimodal LLM pipeline extracts and classifies documents (invoices, statements, receipts), cutting manual data entry by 70%, while an email RAG lets accountants query client history in natural language, with Gmail/Outlook integration and Bexio / Crésus / WinBiz connectors aligned to Swiss tax formats, saving hours of manual bookkeeping per client.

An educational SaaS that transforms any document (PDF, YouTube video, audio, slides) into an interactive learning path: summaries, mindmaps, quizzes, flashcards, generated podcasts, and a real-time conversational voice tutor, letting learners absorb material in the format that suits them best. Deployed end-to-end on Azure.

Problématique : des clients US avaient besoin de passer de l'idée au produit IA fiable : surveiller leur réputation en ligne, exploiter des documents médicaux complexes, produire du contenu éditorial à l'échelle, le tout sans équipe IA interne.

Monitoring d'e-réputation temps réel. Collecte continue multi-sources (web, réseaux sociaux, forums), analyse de sentiment par LLM, moteur de recommandations d'actions et rapports email automatiques. Le client passe d'une veille manuelle impossible à tenir à des alertes actionnables.

Assistant IA médical. Le défi : des documents cliniques longs et techniques où une erreur d'interprétation coûte cher. Architecture combinant agents autonomes et RAG sourcé : chaque réponse est traçable jusqu'au passage exact du document d'origine, condition indispensable à la confiance des praticiens. L'outil accélère concrètement la décision clinique.

Chaîne éditoriale automatisée. Pipeline de bout en bout : détection des sujets tendances, génération d'articles et de visuels (DALL·E), publication programmée sur LinkedIn, X et WordPress via leurs APIs. Zéro intervention humaine entre la détection du sujet et la mise en ligne.

Problématique : les équipes commerciales épluchaient manuellement des appels d'offres PDF de plusieurs dizaines de pages pour en extraire les critères de réponse. Un travail lent, répétitif et sujet aux oublis, directement pénalisant sur le taux de réponse aux AO.

Solution technique : système RAG développé avec LangChain extrayant automatiquement les critères depuis les PDF. La précision brute d'un RAG naïf étant insuffisante, je l'ai optimisée avec des techniques avancées : HyDE (génération d'hypothèses pour améliorer la pertinence de la recherche vectorielle) et RAG Fusion (fusion de requêtes multiples). Surtout, j'ai instrumenté la qualité avec des métriques RAGAS (faithfulness, answer relevancy, context precision) et mené un benchmarking systématique (stratégies de chunking, valeurs de top-k, modèles d'embeddings) pour sélectionner la configuration optimale sur données réelles. Car un système d'IA sans mesure de qualité n'est pas un système de production. Résultat : 50 % de travail manuel en moins.