Yacine Mekideche

Création et développement de l’écosystème IA de YMUNIT, première plateforme française de cybersécurité automatisée.

Intégration de LLMs, de traitements NLP avancés et de systèmes RAG sur une architecture hybride (on-premise & SaaS) pour automatiser les processus de gestion des risques, de conformité (EBIOS RM, ISO 27001) et d’audit.

Cette approche a permis de réduire fortement les temps d’exposition aux risques, d’accélérer les analyses EBIOS (×18), de générer +250 k€/an d’économies pour les clients, et de mettre en production des briques IA souveraines (LLM interne, RAG sécurisé), tout en renforçant la R&D.

• Structuration des bases cyber MITRE via scraping et ingestion (BeautifulSoup, Pandas, SQLAlchemy)

• Automatisation IA de la plateforme : NER, résumé, classification, Q&A (OpenAI, LangChain, Prompt Engineering, FastAPI)

• Génération automatique de rapports PDF (Jupyter, ReportLab, FPDF, WeasyPrint)

• Déploiement RAG hybride : MongoDB, FAISS, LangChain, Streamlit, AWS (Lambda, S3, Bedrock, API Gateway)

• Développement d’un LLM interne sécurisé (HuggingFace, PyTorch, TensorFlow – déploiement via SageMaker, EC2)

• Conception d’agents IA RAG 24/7 (n8n, ElevenLabs API, SpeechRecognition, Amazon Polly)

Analyse prédictive des tendances criminelles via la base CEZAR, dans le cadre des JO de Paris 2024, pour renforcer la sécurité ferroviaire.

Mise en place d’un outil de détection automatisée des zones sensibles, ayant permis de prioriser les interventions et de réduire les coûts opérationnels.

• Développement d’une application Streamlit pour l’extraction, le traitement et le reporting automatisé des données CEZAR (Python, Pandas, Plotly, Matplotlib)

• Modélisation ML supervisée et non supervisée pour identifier les gares à risque (XGBoost, K-means, Scikit-learn – 75 % accuracy)

• Création d’un dashboard temps réel pour le suivi des Bornes d’Arrêt d’Urgence avec intégration multi-source (SQL, Web Scraping, DAX, Power BI)

Analyse prédictive de la durée de vie de bulles de savon gelées, réalisée dans le cadre d’une étude scientifique expérimentale.

Mise en place d’un pipeline modulaire, réplicable et interprétable pour identifier les features clés de leur dégradation.

• Traitement des données : nettoyage, normalisation (Python, Pandas, NumPy)

• Analyse statistique avancée : corrélations, anomalies, tests (scipy.stats, z-score, boxplots)

• Modèles prédictifs supervisés : Random Forest, Gradient Boosting (80 % accuracy)

• Data Visualisation & reporting (Matplotlib, Seaborn, Power BI)