Ouahabi Benhenni

Santé · Recherche

De l'ADN du patient au rapport médical

Recherche — génomique & oncologie de précision · 2026

Un pipeline d'IA de bout en bout pour la médecine de précision : partir des données génomiques d'un patient pour aboutir à un rapport exploitable par un clinicien.

1. Données génomiquesséquençage patient
2. Analyse des variantsannotation
3. PathogénicitéNucleotide Transformer v2
4. Type de cancerclassification
5. Aide à la décisionrecommandation thérapeutique
6. Rapport médicalgénéré par LLM

Décisions clés

• Chaque étape produit une sortie intermédiaire inspectable : le rapport final n'est jamais une boîte noire.
• Le modèle de pathogénicité est affiné progressivement (méthode publiée, voir Recherche).
• Le LLM rédige, il ne décide pas : il met en forme des résultats issus des étapes précédentes, sous validation humaine.

• Python
• PyTorch
• Hugging Face
• LangGraph
• LLM
• Bio-informatique

Documents · Multi-agents

OCR multi-agents — extraction documentaire multilingue

Conseil IA · 2025–2026

Un système multi-agents qui transforme des documents hétérogènes et multilingues (arabe, français, anglais) en données structurées et exploitables.

1. Ingestionscans, PDF, images
2. LectureOCR multilingue
3. Agents spécialisésextraction par type
4. Contrôlevalidation & cohérence
5. Données structuréesAPI / base

Décisions clés

• Plusieurs agents au périmètre étroit plutôt qu'un modèle généraliste : plus facile à tester, à corriger et à faire évoluer.
• Une étape de contrôle déterministe entre l'IA et la sortie : la donnée livrée est vérifiée, pas seulement générée.

• LangGraph
• LLM
• Vision
• Python
• FastAPI

Pharma · Conformité

Pharma Copilot & RAG réglementé (GxP)

Conseil IA · stratégie, feuille de route et cadrage

Une stratégie IA couvrant R&D, qualité, affaires réglementaires et données pour un acteur pharmaceutique, et le cadrage d'un assistant documentaire compatible avec un environnement GxP.

1. Corpus maîtrisédocuments versionnés
2. Indexationdécoupage & embeddings
3. Recherchefiltrée par droits
4. RéponseLLM avec sources
5. Traçabilitéjournal d'audit

Décisions clés

• En environnement réglementé, la conformité fait partie de l'architecture : version des sources, citations et journal de chaque réponse.
• Une feuille de route par domaine (R&D, qualité, réglementaire) plutôt qu'un « grand projet IA » unique.

• RAG
• LLM
• Recherche vectorielle
• Gouvernance des données

Données · Multi-agents

Dataset Intelligence Engine

Conseil IA · 2025–2026

Un système multi-agents qui analyse, structure, étiquette et documente automatiquement des jeux de données — pour qu'un dataset arrive dans un projet avec sa carte d'identité.

1. Dataset brut
2. Analyseprofilage & qualité
3. Structurationschéma
4. Étiquetage
5. Documentationfiche du dataset

• LangGraph
• Agents IA
• Python

Temps réel · Performance

Jeu multijoueur avec chat vocal

Projet personnel · 2025

Une architecture multi-salles avec voix en temps réel et permissions vocales dynamiques. Elle a tenu 218 000 requêtes en 3 heures sur un VPS de 2 vCPU et 2 Go de RAM.

1. Clientsnavigateur
2. SignalisationSocket.io
3. Salles & rôlesRBAC vocal
4. SFU médiaWebRTC / mediasoup
5. Flux voixpar salle

Décisions clés

• Séparer la signalisation du transport média : chaque couche se dimensionne pour ce qu'elle fait.
• La contrainte matérielle comme spécification : chaque octet et chaque connexion comptent sur 2 Go de RAM.

• Node.js
• Socket.io
• WebRTC
• mediasoup
• Nginx
• PM2

Backend · SaaS

Plateforme B2B SaaS multi-tenant

Éditeur SaaS · 2025

Contribution à l'architecture, à l'API et à la conception fonctionnelle d'une plateforme SaaS B2B multi-tenant, au sein d'une équipe Agile de cinq développeurs.

1. API RESTDRF · JWT
2. Isolation tenantRBAC
3. Temps réelDjango Channels
4. Tâches asynchronesCelery
5. Tableaux de bordanalytique

• Django 5
• DRF
• Channels
• Celery
• PostgreSQL
• JWT

EdTech · Microservices

Apprentissage adaptatif & LMS augmenté par l'IA

Conseil IA · 2025–2026

Audit de faisabilité, puis conception d'un pipeline de recommandation personnalisée et de suivi d'apprentissage, intégré à un écosystème existant ; puis architecture complète d'un LMS propulsé par l'IA (pipelines ML/LLM, API, modèle de données).

1. Traces d'apprentissage
2. Microservices PythonREST
3. ModèlesONNX
4. Recommandationspersonnalisées
5. Plateforme existanteFlask / Next.js

Décisions clés

• S'intégrer à l'existant plutôt que le remplacer : l'IA arrive comme un service, pas comme une réécriture.
• ONNX pour une inférence légère, déployée sur un VPS auto-géré.

• Python
• ONNX
• REST
• Flask
• Next.js
• VPS

Automatisation · Open source

Du plan technique au catalogue

2026 · 100 % open source

Un pipeline qui lit un plan technique en PDF et produit, sans aucune dépendance propriétaire, toute la chaîne qui suit.

1. Plan PDF
2. Dessins CAOgénérés
3. Fournisseursidentifiés
4. Coût total (TCO)
5. Business plan
6. Cataloguemulti-format

• Python
• LLM open source
• Ollama

Et aussi

Autres systèmes

• Commercial Intelligence & AI Sourcing — plateforme d'aide à la décision reliant clients, produits, fournisseurs, opportunités et ventes.
• AI Industrial Safety — module de sécurité industrielle fondé sur la vision par ordinateur.
• Administration publique — système de gestion du courrier (API Express, React, RBAC) et logiciel de cartographie des risques de corruption.
• Plateforme de streaming — encodage vidéo adaptatif avec FFmpeg, 1 500 utilisateurs simultanés.
• Marketplace multi-vendeurs — monorepo Turborepo, Next.js, Node.js, paquets partagés.
• RAG 100 % local — ingestion PDF/DOCX/Markdown, recherche vectorielle, inférence via Ollama, aucune API externe.

1. Le problème avant le modèle

   Je commence par le métier, les utilisateurs et ce qui doit changer pour eux. Le choix du modèle arrive tard ; parfois, la bonne réponse n'est pas de l'IA.

2. Les contraintes sont la spécification

   Budget, conformité, 2 vCPU et 2 Go de RAM : ce ne sont pas des obstacles, ce sont les données d'entrée de l'architecture.

3. L'IA dans le système, pas l'inverse

   Des agents au périmètre étroit, des sorties vérifiables, des étapes déterministes autour. Le modèle est un composant, avec un contrat comme les autres.

4. Un humain dans la boucle là où ça compte

   En santé ou en environnement réglementé, l'IA prépare et argumente ; la décision reste humaine, et chaque réponse est traçable.

5. Le plus simple qui tient en production

   Une architecture se juge à ce qu'elle supporte en vrai, pas sur un schéma. Je préfère un système sobre qu'on comprend à un système brillant qu'on subit.

6. Rendre les décisions explicites

   Chaque choix d'architecture est écrit avec sa raison. C'est ce qui permet à une équipe de le défendre, de le changer, ou de le reprendre sans moi.

7. Traduire dans les deux sens

   Le même système doit pouvoir s'expliquer à un client, à un développeur junior et à un comité. Si je n'arrive pas à l'expliquer simplement, il est probablement mal découpé.

8. Transmettre fait partie de la livraison

   Plus de 120 personnes accompagnées en bootcamps, des équipes de stagiaires et de juniors : un système est vraiment livré quand l'équipe qui le maintient le comprend.

1. Comprendrebesoin, usages, contraintes
2. Cadrerpérimètre, critères de succès
3. Concevoirarchitecture, choix IA
4. Construireéquipe, itérations courtes
5. Déployerproduction, mesure
6. Transmettredocumentation, mentorat

« Un projet d'IA réussi ne se voit pas à la démo. Il se voit six mois plus tard, quand il tourne toujours et que l'équipe sait pourquoi. »

• An End-to-End Approach for SNV Pathogenicity Prediction via Progressive Fine-Tuning of Nucleotide Transformer-v2
  Benhenni Ouahabi (premier auteur), Djamel Gaceb, Fayçal Touazi, Wissal Kebour, Rayane Chakib Idris, Belkacem Rouibi, Anis Ismail. Publié et présenté en conférence nationale.
• Classification du mélanome par deep learning (CNN & Vision Transformers) — article soumis à évaluation par les pairs.
• IA médicale en milieu hospitalier — classification du cancer de la peau (CNN + ViT, 93 % de précision), détection et comptage cellulaire (YOLOv8), détection du paludisme ; pipeline complet du prétraitement à l'interface web.
• 1^re place — Compétition nationale d'IA (2025) — projet de vision par ordinateur médicale par deep learning.

1. Août 2025 — auj.

   Consultant IA · AI Project & Product Lead · Architecte de systèmes

   Cabinet de conseil et d'ingénierie IA

   Une dizaine de projets et d'initiatives IA menés de l'analyse du besoin à la production, dans la pharma, l'industrie, la documentation, l'intelligence commerciale et l'éducation. Interface entre clients, métiers et équipes techniques ; coordination d'équipes jusqu'à 15 personnes ; participation à la conclusion de projets à fort enjeu.

2. 2026

   Ingénieur de recherche IA — Médecine génomique & oncologie de précision

   Institut de recherche biomédicale

   Pipeline IA de l'analyse génomique à la génération automatique de rapports ; classification des variants et aide à la décision en environnement pluridisciplinaire.

3. 2025 — 2026

   Ingénieur logiciel (contrat)

   Administration publique

   Système de gestion du courrier et de la correspondance ; logiciel de cartographie des risques de corruption.

4. Juin — sept. 2025

   Développeur full-stack

   Éditeur SaaS B2B

   Plateforme B2B SaaS multi-tenant : architecture, API, conception fonctionnelle.

5. 2023 — 2025

   Développeur IA & full-stack (freelance)

   Indépendant

   Solutions web, desktop et IA de bout en bout, dont des pipelines de segmentation d'images médicales (U-Net, YOLOv8, LinkNet, PSPNet).

6. 2022

   Co-fondateur — Résumily

   Plateforme de résumés académiques

   Plus de 10 000 utilisateurs mensuels, partenariat officiel avec le département d'informatique, équipe passée de 13 à 43 membres en deux mois.

7. 2018 — 2021

   Technicien supérieur — Administration de bases de données

   Formation supérieure technique

   Cinq systèmes d'information de gestion livrés (stock, RH, comptabilité, bibliothèque, stages).

1. Diagnostic IA

   Audit de faisabilité : où l'IA crée de la valeur dans votre organisation, avec quelles données, à quel coût et avec quels risques.

2. Cadrage & feuille de route

   Cahier des charges, priorisation des cas d'usage, feuille de route de transformation IA par domaine.

3. Conception d'architecture

   Architecture IA (agents, RAG, pipelines ML) et backend (API, microservices, temps réel, multi-tenant), décisions documentées.

4. Lead technique

   Conduite d'équipe de la conception à la production : découpage, suivi, revue, déploiement.

5. Formation d'équipes

   Montée en compétence de vos équipes sur l'IA appliquée, les agents et l'architecture backend.

Un premier échange permet de préciser le contexte, les contraintes et le format le plus utile. Écrivez-moi.