Zakaria Si Salah

Depuis octobre 2025, j'exercice en tant qu'auto-entrepreneur sur deux projets en parallèle.

Projet 1 – R&D Agentique IA & LLMOps

Je conçois et livre des systèmes agentiques opérationnels pour des entreprises qui veulent automatiser leurs processus métier avec l'IA générative. Concrètement : des agents capables de raisonner en plusieurs étapes, de s'outiller (recherche web, bases de données, APIs métier), de planifier des tâches complexes et de se corriger eux-mêmes sans intervention humaine. Je maîtrise les patterns les plus avancés du moment : architectures multi-agents avec spécialisation des rôles, orchestration de workflows agentiques, supervision humaine dans la boucle (HITL), garde-fous anti-dérive et gestion des hallucinations. En parallèle, je construis des pipelines RAG d'entreprise haute-précision : segmentation sémantique, reranking hybride, évaluation automatisée de la qualité des réponses. Je déploie aussi des LLM open-source sur infrastructure privée avec fine-tuning sur données propriétaires et observabilité complète. Ce que je livre : un système documenté, testable, maintenable , pas un prototype.

Projet 2 – SaaS Restauration

Suite à la demande concrète d'un client restaurateur qui cherchait une alternative aux solutions existantes, j'ai conçu et développé une solution de zéro : un écosystème SaaS tout-en-un pour la restauration commerciale. La solution intègre logiciel borne kiosk tactile, écran cuisine KDS, commande en ligne click & collect, système de fidélité et pilotage multi-établissements. Trois différenciateurs clés : 0% de commission , fonctionnement 100% garanti hors-ligne (aucun arrêt en cas de coupure réseau), et conformité fiscale native (chaînage cryptographique des transactions, rapports Z automatisés, export FEC). Personnalisable aux couleurs du restaurant : bornes, tickets, site de commande : le client final ne voit que le branding du restaurant , le produit est entièrement à l'image de l'établissement. Conçue pour scaler.

Dirigé conception système RAG entreprise SNCF pour équipes dev, réduisant recherche info -70%, traçabilité auto spécs-code-doc

Conçu architecture 3 niveaux : moteur IA orchestrant agents (LangGraph state machines), interface Next.js responsive, stockage hybride (Weaviate vectoriel + Neo4j graphe + SQLite local) recherche sémantique cross-repos contexte préservé

Implémenté backend FastAPI 6 agents IA : explication code (analyse syntaxe/sémantique), recherche cross-microservices (graphe dépendances), génération patterns, Q&A doc technique, tutoriels pédagogiques, liaison code-doc traçabilité bidirectionnelle

Développé pipeline ingestion MLOps : extracteurs PDF sophistiqués (tableaux, images, hiérarchie), extracteurs code (dépendances, graphe composants), segmentation intelligente contexte, chunking optimisé vectorisation

Vectorisation optimisée domaine technique embeddings spécialisés + indexation Weaviate haute perf + Neo4j relations composants, cohérence auto base code/doc à chaque commit

Optimisé LLM : routage intelligent vers agent approprié, stockage local sécurisé zéro fuite externes, indexation adaptée contenus techniques, -40% tokens

Développé app native Tauri (Rust/TypeScript) installateur multi-plateforme (Win/Linux/Mac), perf natives, sécu locale sans dépendances cloud

Green IT : modèle DeepSeek local dev/tests, LLM prod (OpenAI/Anthropic) optimisé tokens contextualisation, -60% empreinte énergétique

Gestion GPU 4Go : modèles quantisés, cache embeddings, libération auto mémoire, adaptation dynamique charge

Analysé difficultés formation intégration recrues (semaines contribution), perte connaissances code ancien, bugs post-livr 3+ ans

Mis en place pipelines CI/CD GitLab pour 16 microservices en production, intégrant compilation, tests automatisés, packaging et déploiement end-to-end, réduisant temps mise en production de 30 minutes à 5 minutes

Conteneurisé et orchestré des services avec Docker et Kubernetes (Minikube local, Rancher production), configurant 1 cluster pour orchestration multi-environnements

Automatisé processus déploiement via Helm Charts structurés supprimant 90% interventions manuelles et limitant fortement erreurs humaines

Contribué mise en place infrastructure distribuée sur hardware box embarqué utilisant Harbor (registry Docker privé) et Rancher pour gestion centralisée clusters et images, contexte fortes contraintes matérielles

Conçu mécanisme répartition charge Nginx pour assurer communication front-end/back-end sous contraintes OS embarqué, améliorant disponibilité et résilience plateforme Kubernetes

Développé outils automation Python pour maintenance et mises à jour paquets critiques, réduisant temps traitement typique d'environ 1 heure à 10 minutes, libérant capacités équipe

Participé refonte architecture composant embarqué en version lightweight, réduisant consommation ressources (CPU, mémoire, stockage)

Contribué projet microservices embarqués pour systèmes trains en Golang et Vue.js, développant services backend performants et interfaces opérateur robustes adaptées usages terrain

Implémenté algorithme avancé localisation trains capable maintenir position cohérente pendant pertes signal GPS et resynchronisation, améliorant fiabilité globale suivi position

Conçu et maintenu suites complètes tests unitaires et intégration couvrant principaux scénarios métier et techniques, augmentant couverture code de 60% à 85%, permettant détection précoce régressions

Pris part traitement incidents critiques production (diagnostic approfondi, développement correctifs, déploiement), contributions amélioration stabilité système estimée à 25%