Compréhension des enjeux métier
Je commence toujours par le contexte : objectifs business, contraintes opérationnelles, irritants utilisateurs. Je traduis un besoin métier en un problème IA bien posé, sans sur-techniciser dès le départ.
Mes atouts
Ce que j'apporte à une équipe.
Au-delà des technologies, ce qui fait la différence, c'est comprendre le problème, structurer la réflexion et transformer une idée en solution fiable et mesurable.
Esprit d'analyse & rigueur scientifique
J'aborde chaque problème comme une hypothèse à valider : je structure, je teste, je compare, je mesure. C'est ce qui évite les solutions qui marchent en démo mais pas en production.
Développement de solutions IA concrètes
Je conçois des systèmes IA complets, du prototype à la solution robuste et intégrable. GenAI, RAG, agents, vision, ML — je choisis l'approche selon le besoin réel, pas l'effet de mode.
Transmission & collaboration
Je considère la pédagogie comme partie intégrante du travail technique : expliquer simplement, documenter les choix, et rendre les équipes autonomes sur les solutions livrées.
Compréhension de l'impact produit
Je relie systématiquement les choix techniques à des indicateurs concrets : gain de temps, réduction de coût, qualité ou expérience utilisateur améliorée.
Fiabilité & passage en production
Je conçois des systèmes pensés pour la réalité : robustesse des pipelines, gestion des erreurs, monitoring et évolutivité.
Ma démarche
Ma démarche de travail.
Ce que ma formation de chercheuse a ancré : on ne livre pas sans mesurer. La même rigueur, à chaque projet.
Comprendre le problème métier
Échanger avec les équipes pour comprendre les objectifs, le contexte, les contraintes et les irritants.
Étudier la faisabilité
Évaluer les options techniques, les données disponibles si nécessaire, les contraintes (coût, délai, sécurité, réglementation) et vérifier qu'une approche IA est pertinente.
Définir la stratégie & les critères de succès
Choisir l'approche la plus adaptée (LLM, RAG, agents, fine-tuning, vision, etc.) et définir avec le client les critères qui permettront d'évaluer la réussite.
Évaluer & valider la solution
Mettre en place une méthode d'évaluation adaptée au projet, comparer les approches lorsque c'est pertinent, mesurer les performances et identifier les limites.
Déployer & améliorer
Intégrer la solution, suivre son usage réel et l'améliorer en continu.
Compétences techniques
Stack & écosystème IA
Une expertise validée par la production industrielle et la recherche scientifique.
# stack.py · Manel Labidi — AI Engineer & Researcher
stack = {
"IA générative & agents": [
# modèles
"OpenAI", "Claude", "Gemini", "Mistral", "Llama", "Ollama",
# frameworks & techniques
"LangGraph", "LangChain", "CrewAI", "OpenAI Agents SDK", "MCP", "Pydantic", "LoRA / QLoRA",
],
"RAG & documents": [
# recherche & bases
"Qdrant", "Elasticsearch", "FAISS", "Cohere Rerank", "Sentence-Transformers",
# parsing documentaire
"Docling", "Tesseract OCR", "Textract", "pypdf", "pdfminer", "pdf2image", "openpyxl",
],
"Vision par ordinateur": [
# modèles
"YOLOv9", "Mask R-CNN", "Cascade Mask R-CNN", "Mask2Former", "U-Net",
# frameworks
"Detectron2", "MMDetection", "Hugging Face", "Open-vocabulary detection",
],
"Data Science, ML & Deep Learning": [
"PyTorch", "TensorFlow", "Keras", "scikit-learn", "XGBoost", "Optuna",
"pandas", "NumPy", "SQL", "Text-to-SQL",
"NLP (Classification, Similarité, Transformers)",
"Séries temporelles (LSTM)",
],
"Engineering & MLOps": [
"FastAPI", "Flask", "Docker", "Kubernetes (Minikube)", "GitLab CI", "Pytest",
],
}