خليل ب.

2020 - 2023

2018 - 2020

* إنشاء شات بوت باستخدام تقنية RAG لتوليد الإجابات من التقارير المالية (الوثائق بصيغة PDF) لأحد العملاء. حقق الشات بوت دقة بنسبة 93% خلال الاختبارات، بناءً على 127 سؤالًا مُحددًا مسبقًا وذي صلة بالوثائق.

* دمج نماذج اللغة الكبيرة (LLMs) مثل Llama2 و Mistral7B و Phi2 في نقطتي نهاية API وتطبيق سطح مكتب لتعزيز وظائف الأنظمة.

* تطوير ونشر 5 نماذج تعلم آلي وعميق (XGBoost، Prophet، LightGBM، MLP، LSTM) للتحليل التنبؤي والإرشادي، مع الالتزام بالحدود الزمنية للتوقعات المحددة من قبل العملاء.

* تحليل أكثر من 3 مجموعات بيانات لعملاء مختلفين، وتقديم استنتاجات ورؤى قابلة للتنفيذ.

* إنشاء 3 لوحات بيانات تفاعلية، لتسهيل اتخاذ القرارات.

* إنشاء أداة لتقييم مخاطر سوق العملات الأجنبية المتعلقة بتقلبات السوق، وإدارة المخاطر باستخدام العقود المستقبلية، وإجراء اختبارات رجعية (Backtesting) لشركة Lumon، وهي شركة متخصصة في تحويل العملات الأجنبية مقرها المملكة المتحدة.

* إنشاء أداة مؤتمتة لإجراء تحليل إحصائي للتحقق من تمثيل العينة لشركة تأمين في المغرب.

الأدوات: Python، R، SAS، SPSS، Scipy، Selenium، BeautifulSoup، Keras، TensorFlow، Scikit-Learn، FastAPI، Streamlit، SQL، Docker، PowerBI، Tableau، LangChain، Git، Hugging Face

محاكاة سلوك وتفاعل المستخدمين مع تطبيق ويب في مجال الخدمات المصرفية المفتوحة (Open Banking):

إنشاء سكربتات باستخدام Selenium لمحاكاة تفاعلات المستخدمين مع التطبيق، مما يتيح إنشاء سجلات (logs) دقيقة تعكس أنشطة المستخدمين المختلفة على التطبيق.

تصميم سيناريوهات محاكاة متنوعة تشمل عمليات مثل تسجيل الدخول، إجراء المعاملات، استعراض الحسابات، وما إلى ذلك.

استخراج وتحويل وتحميل البيانات (ETL) من السجلات:

الاستخراج: جمع السجلات الناتجة عن محاكاة تفاعلات المستخدمين.

التحويل: معالجة البيانات لاستخراج المعلومات المهمة مثل الوقت (timestamp)، نوع النشاط، الأخطاء، إلخ، وتنسيقها لتناسب الأغراض المطلوبة.

التحميل: تحميل البيانات المعالجة إلى قواعد بيانات أو أنظمة تخزين مثل Elasticsearch لضمان وصول سريع إلى البيانات وإمكانية البحث المتقدم.

تصميم لوحات تحكم لرصد السجلات وتحليل البيانات:

استخدام Kibana لإنشاء لوحات تحكم تفاعلية لعرض السجلات في الوقت الفعلي، مع تمثيل مرئي للأنشطة السلوكية للمستخدمين، الأخطاء النظامية، والمقاييس الأخرى.

إعداد تنبيهات في Kibana لمراقبة الاتجاهات أو الشذوذات في السجلات بناءً على أنماط الاستخدام.

تنفيذ التحليل التنبؤي لاكتشاف الشذوذات في النظام في الوقت الفعلي:

تطبيق تقنيات التحليل التنبؤي مثل Isolation Forest وLocal Outlier Factor (LOF) وOne-Class SVM وAutoencoder لاكتشاف الشذوذات في سلوك المستخدم أو أخطاء النظام.

تكامل هذه النماذج في خط أنابيب تحليلي باستخدام Scikit-Learn وTensorFlow لضمان دقة عالية في اكتشاف الشذوذات (دقة 92%) وتقليل نسبة الأخطاء في عدم الكشف (6%).

أتمتة باستخدام Docker وحاويات التطبيقات:

استخدام Docker لحاوية التطبيقات المختلفة مثل Elasticsearch وKibana والنماذج التنبؤية، لضمان قابلية التوسع وسهولة النشر في بيئات متعددة.

إدارة المشروع والتوثيق:

استخدام Jira وConfluence لإدارة المهام وتوثيق الحلول المتبعة، وضمان الشفافية والتنظيم في تنفيذ المشروع.

الأدوات والتقنيات المستخدمة:

Selenium: أتمتة تفاعلات المستخدمين.

Elasticsearch وKibana: جمع البيانات، تخزينها، وتحليلها.

AWS: استضافة التطبيقات والخدمات السحابية.

Flask / FastAPI: تطوير واجهات برمجة التطبيقات (APIs) للتفاعل مع النماذج والأنظمة.

Scikit-Learn وTensorFlow: تقنيات تعلم الآلة لاكتشاف الشذوذات.

Docker: حاويات لتشغيل التطبيقات بشكل محمول وفعال.

Jira وConfluence: أدوات لإدارة المشاريع والتوثيق.