Arslan DIF
Full Stack
& Ingénieur IA

Industrialisation de mon classifieur EuroSAT (ResNet-18, 97,80 % de précision test ; 98,10 % sur le jeu figé du gate) en plateforme MLOps complète : pipeline DVC (données versionnées sur MinIO), tracking et registry MLflow avec gate de promotion champion/challenger (plancher absolu, marge au-dessus du bruit de seed, rappel par classe), serving FastAPI par alias avec rechargement à chaud, monitoring Prometheus (5 alertes) et journal des prédictions en PostgreSQL, détection de dérive Evidently déclenchant le ré-entraînement via GitHub Actions. Résultat mesuré : la dérive radiométrique est détectée avant la chute de précision, le flou ne l'est pas (angle mort documenté). 108 tests, CI avec smoke test Docker, test d'acceptation sur 520 requêtes réelles.

Agent LLM qui pilote TerraOps en langage naturel : boucle ReAct avec 5 outils (API live, registry MLflow, rapport de dérive Evidently) et retrieval hybride (ChromaDB + BM25, fusion RRF) sur la documentation. Le cœur du projet est le harnais d'évaluation : 29 cas, vérité terrain relue sur le système vivant, agents de contrôle oracle/null/liar pour valider les graders. Claude Opus 5 : 97 % de choix d'outil correct, 94 % d'exactitude factuelle, 100 % de citations réelles, 3 % d'hallucination — contre 69 / 54 / 27 / 17 % pour Qwen2.5-3B en local. 44 tests, Docker.

SaaS de gestion pour barbershops, projet solo full stack. En production depuis juin 2026 dans un salon partenaire à Alger : 1 752 rendez-vous gérés, 528 clients, 5 coiffeurs et 23 prestations configurés. Réservation en ligne, caisse et clôture du jour, commissions par coiffeur, tableau de bord du chiffre d'affaires, e-mails automatiques et accès protégé par code PIN onglet par onglet.

Classification d'images satellite sur le dataset EuroSAT. Fine-tuning ResNet-18 pré-entraîné sur 27 000 images (10 classes terrestres). 97,80 % de précision, macro F1 0,9779 en 25 epochs.

Pipeline temps réel sur les données Vélib' (API GBFS, 1 517 stations) : ingestion Kafka (KRaft), Spark Structured Streaming avec fenêtres et watermark, stockage chaud PostgreSQL et froid Parquet/MinIO, dataset de 1,57 M de lignes sur 4 jours de collecte (split chronologique, embargo de 120 min), XGBoost et GRU comparés à la persistance, API FastAPI et dashboard cartographique Streamlit. Conclusion mesurée : à 15–30 min la persistance est quasi imbattable, XGBoost n'améliore que le RMSE (+1 à +5 % selon l'horizon) — l'API sert donc la persistance, étiquetée comme telle, et le modèle reste une démo. 17 tests, CI.

Client réel : boutique multimarque de vêtements américains. Application de caisse et de gestion de stock (PWA React : scan EAN par caméra ou douchette, vente à crédit, ticket WhatsApp, rapport Z, photos compressées côté navigateur) et site vitrine public bilingue FR/AR. Backend Spring Boot 3.5 en JDBC : mouvements de stock append-only protégés par triggers PostgreSQL, marges jamais exposées au rôle vendeur, JWT RS256, 61 migrations Flyway, 585 tests JUnit. En production sur VPS OVH avec HTTPS et sauvegardes quotidiennes.

Plateforme éducative de cybersécurité : simulation d'attaques phishing, injection SQL, détection d'intrusion avec Snort. Interface pédagogique interactive.

Plateforme éducative pour élèves de Terminale bac français. 100+ élèves, 5 pays, 100 % de réussite au bac. Cours en ligne, exercices interactifs, suivi personnalisé.

Plateforme de réservation de terrains de sport (football, padel, tennis…), labellisée « Projet innovant » en 2025, en production : 3 clubs, 43 joueurs inscrits, 109 réservations par semaine. Architecture web + mobile, back-office d'administration avec journal d'audit, système de paiement, gestion des créneaux en temps réel. L'adoption côté clubs reste le défi en cours : pivot à l'étude.

Projet de recherche (Master 1 SII, USTHB · équipe de 3) reproduisant le papier Wang et al. 2024 — MCTNet, un réseau CNN-Transformer léger (~56k paramètres) pour la cartographie des cultures pixel par pixel à partir de séries temporelles Sentinel-2 (36 composites de 10 jours, 10 bandes spectrales). Pipeline complet de bout en bout : acquisition Google Earth Engine sur deux régions agricoles américaines (Arkansas, Californie), prétraitement, entraînement et évaluation (OA / Kappa / F1). Partie 2 : étude d'ablation intégrant des covariables environnementales (sol, climat, topographie). Partie 3 : trois contributions originales — GatedMCTNet (fusion dynamique CNN/Transformer apprise), MCTNet Multiscale et UNetMCTNetWithCovars (encodeur-décodeur U-Net + covariables).

Bot de veille des logements CROUS du Val-de-Marne. Playwright pilote un vrai Chromium pour franchir la salle d'attente anti-bot du site, puis interroge son API JSON interne depuis la page, un cycle toutes les 14 à 16 minutes. Alertes Telegram avec lien direct vers l'annonce, mémoire dédupliquée à écritures atomiques (une annonce n'est marquée vue qu'après confirmation d'envoi), alerte de santé après 5 échecs consécutifs, tâche planifiée Windows avec verrou mono-instance. un seul processus pendant 66 jours (environ 21 jours actifs), 7 467 cycles réussis sur 9 202, zéro annonce à signaler ; une panne de 17 jours annoncée une seule fois et restée sans suite a donné lieu à un post-mortem, puis à l'arrêt volontaire du bot quand le site s'est mis à refuser tout client automatisé (HTTP 429). 49 tests hors ligne, CI Ubuntu et Windows.

Projet de fin de licence (USTHB, soutenu le 4 juin 2025) accueilli par SARL SPINTECHS, en équipe de quatre. Mon rôle : chef de groupe, application mobile Flutter (flux d'accueil, capture de la pièce d'identité, scan du badge QR associé à la visite, interface FR/EN/AR) et code d'inférence embarqué. Classifieur de pièces d'identité ResNet50 embarqué sur l'appareil (TFLite) ; lecture de la MRZ avec ML Kit, la photo ne quitte pas le téléphone. Le reste de l'équipe : API Spring Boot (JWT, deux rôles), tableau de bord admin React et borne de satisfaction notée de 1 à 5.

Application mobile de gestion des dépenses personnelles, en cours de finalisation avant publication sur les stores. Saisie des dépenses, catégories personnalisables, budgets avec suivi des transactions, statistiques en graphiques. Données stockées en local (hors ligne), architecture en couches avec Riverpod.

Projet de compilation (L3) : compilateur écrit en C pour un mini-langage défini par le sujet, couvrant toute la chaîne d'analyse. Analyse lexicale (Flex), analyse syntaxique (Bison), analyse sémantique (table des symboles, contrôle des déclarations et des types) et génération de code intermédiaire sous forme de quadruplets.

Projet de programmation orientée objet (L2) : application Java de gestion médicale développée sous NetBeans. Gestion des patients, des médecins, des infirmiers et du personnel soignant, modélisée en classes avec héritage et encapsulation.

Plateforme de cartes animées pour la Saint-Valentin. Cartes personnalisées avec animations CSS, partage via lien unique, stockage Supabase.

Projet académique Red Team : simulation de phishing, scareware et exfiltration de données dans un environnement contrôlé. Analyse des vecteurs d'attaque et contre-mesures.

Implémentation Java + JavaFX de cinq formalismes de représentation des connaissances : logique classique (CNF/SAT4J + FOL chaînage avant), logique modale (modèles de Kripke), logique des défauts de Reiter (raisonnement non-monotone), logique de description (ontologies OWL + raisonneur HermiT), et réseaux sémantiques (propagation de marqueurs de Fahlman). Deux domaines : industrie musicale et système judiciaire.

Projet en 4 parties autour des SMA et de la planification distribuée : protocole d'enchères anglaises FIPA (1 vendeur, N acheteurs — performatifs CFP/PROPOSE/ACCEPT), agents mobiles avec décision multi-critères (1 acheteur, N vendeurs), planification AIMA classique en Python, planification multi-agents centralisée produisant des plans distribués.

9 TPs sur les métaheuristiques d'optimisation : PSO (Particle Swarm Optimization) sur fonctions benchmark unimodales (Sphere, Rosenbrock) et multimodales (Rastrigin, Schwefel, Griewank), Feature Selection avec PSO sigmoïde binaire couplé à KNN, et Algorithmes Génétiques avec sélections Random/Cumulated/N Best et croisements 1-Point/2-Point. Métriques Best/Mean/STD sur multiples runs, courbes de convergence.

Banc d'essai en C pour comparer plusieurs algorithmes de tri (tri à bulles classique et optimisé, tri par tas min construit par insertions). Chronométrage haute précision via QueryPerformanceCounter sous Windows, comparaison best/worst/random sur tableaux de taille variable, courbes de complexité O(n²) vs O(n log n) en échelle logarithmique.

Projet de systèmes d'exploitation (L2) : simulateur en C de l'allocation de la mémoire et de la gestion des processus, pour observer pas à pas comment le système attribue la mémoire et fait évoluer les processus.

Premier projet de programmation (L1, en binôme) : simulateur de tournoi de football en C. Génération du calendrier par la méthode du round-robin (chaque équipe rencontre toutes les autres), simulation des matchs et classement.