Freelance Data & IA · France · À distance
Data Scientist et Ingénieur ML/IA. Je conçois des modèles prédictifs et des systèmes RAG, je fine-tune des LLM et je forme des équipes à exploiter l'IA.
open ./cv/mouaad-agourram --role data-scientist
Réserver un appel
Pas encore prêt à caler un appel ? mouaad@datagourram.com Écrivez-moi sur LinkedIn
Freelance, disponible pour des missions en France ou entièrement à distance.
Outils du quotidien
Méthodologie, code et résultats en accès libre. C'est le meilleur moyen de juger ma façon de travailler avant de me confier une mission.
Classification binaire de la gravité des accidents corporels sur des données françaises de sécurité routière : comparaison de baselines, régression logistique et évaluation sur classes déséquilibrées.
Lire le rapportAnalyse spatiale et géostatistique du niveau de vie à partir des données carroyées Filosofi de l'INSEE (mailles de 200 m) : cartographie d'un département coupé en deux par les inégalités.
Lire le rapportDu cadrage d'un cas d'usage à l'évaluation du modèle, je couvre tout le cycle de vie ML. Ensuite, j'apprends à votre équipe à le faire tourner sans moi.
La plupart de mes missions démarrent par une question métier : que peut-on prédire, et est-ce que ça en vaut la peine ? Je conçois les expérimentations, entraîne les modèles et mesure s'ils tiennent leurs promesses.
{
"name": "Mouaad AGOURRAM",
"location": "France",
"role": "Data Scientist / Ingénieur ML",
"focus": ["ML", "RAG", "Fine-tuning LLM", "Prévision"],
"availability": "Freelance / Remote / France"
}Trois missions depuis 2024, un même fil conducteur : mener un modèle de la première expérimentation jusqu'au résultat livré.
Conception et animation d'ateliers en Data Science, Deep Learning et GenAI. Les participants repartent avec du code qui fonctionne, pas des slides.
Systèmes de prévision et de ML audio construits de bout en bout : préparation des données, entraînement, fine-tuning et évaluation sur des métriques métier.
Pipelines RAG et prototypes de fine-tuning de LLM, avec des jeux de données d'évaluation pour décider ce qui part en production et ce qui reste une démo.
Problème, approche, résultat — pas juste une étiquette de catégorie.
Un client avait besoin de confirmer automatiquement des achats à partir de flux audio. J'ai construit un modèle de deep learning pour détecter les mots-clés pertinents, puis je l'ai industrialisé sur Azure Machine Learning — déploiement, monitoring et suivi du drift inclus, pas laissé à l'état de notebook.
Collaboration de recherche sur un modèle de reinforcement learning auto-adaptatif pour l'optimisation énergétique, prenant en compte les préférences utilisateur. Un proof of concept fonctionnel, conçu pour démontrer l'approche plutôt que pour être livré comme un produit.
Mission de formation couvrant le deep learning avancé, Apache Spark, l'ingénierie de données temps réel et la data visualization. Des sessions construites autour de code qui fonctionne, pas de slides.
Aussi au programme : prévision trimestrielle des ventes avec ARIMA/SARIMA, et un prototype d'assistant RAG.
Une boîte à outils volontairement réduite : ML classique pour les données tabulaires, deep learning pour le reste, et évaluation partout.
Les outils que j'utilise pour entraîner, évaluer, fine-tuner et expliquer des systèmes d'IA utiles.
$ cv skills --grouped
Machine learning :
scikit-learn, XGBoost, LightGBM, PyTorch, TensorFlow
IA générative :
RAG, LangChain, FAISS, Hugging Face, LoRA / QLoRA
Prévision :
séries temporelles, fine-tuning, évaluation, MLflow
Formation :
Data Science, ML/IA, RAG, fine-tuning de LLMMissions freelance en France ou à distance, d'un prototype cadré à un programme de formation complet.
Cadrer des cas d'usage prédictifs, construire des modèles, évaluer la performance et rendre les résultats compréhensibles.
Prototyper des workflows de retrieval, la recherche vectorielle, des jeux de données d'évaluation et des contrôles de qualité des réponses.
Préparer des jeux de données, fine-tuner des modèles, comparer des baselines et évaluer la performance sur des tâches spécifiques.
Des sessions pratiques où votre équipe construit et évalue de vrais modèles sur ses propres cas d'usage.
Les réponses aux questions qui reviennent le plus souvent en premier échange.
Quatre types de missions : la modélisation prédictive en Data Science et machine learning, le prototypage de systèmes RAG, le fine-tuning de LLM, et la formation pratique des équipes Data & IA. Les missions se déroulent en France ou entièrement à distance.
Les deux. Je suis basé en France et j'interviens sur site pour les missions qui le demandent, notamment les formations, comme en full remote pour les projets de modélisation et de développement.
Oui. Je conçois et anime des ateliers en Data Science, Deep Learning et GenAI, construits autour de code qui fonctionne plutôt que de slides. Les sessions portent sur les cas d'usage réels de l'équipe, qui repart capable de faire tourner ses modèles sans moi.
Python en premier lieu, avec scikit-learn, XGBoost et LightGBM pour le machine learning classique, PyTorch et TensorFlow pour le deep learning, Hugging Face, LangChain et FAISS pour la GenAI et les systèmes RAG, et MLflow pour le suivi des expérimentations.
Un prototype démontre qu'une réponse est possible ; un système en production garantit qu'elle reste juste dans le temps. Le passage à l'échelle demande des jeux de données d'évaluation, un suivi de la qualité des réponses, du monitoring et une détection de drift. C'est cette étape, souvent sous-estimée, qui décide de ce qui part réellement en production.