Fella & Réseau Canopé

International Project Manager

FELLA BENNADJI

start

Background

International Project Manager

Projects

Réseau Canopé & Fella

01

Parcours

Master

Master

Language Sciences

TAL / NLP

2023

2022

2018

Learn & Go

2020

2022

International Assistant

DDL Laboratory

Text dictation projectKaligo localization project

Study of gender inequality in the professional environment

Transsion Holdings

02

Projects

• Project planning and monitoring
• Development of a model to measure gender bias in job postings
• Web scraping
• Data annotation
• Text mining | Quantitative and qualitative analysis
• Data visualization
• Project presentation and promotion
• Scientific monitoring

https://github.com/FellaBennadji

03

Projects

• Definition of the Project Vision and Objectives
• Data Management and NLP Solution Development
• Team Coordination
• Planning and Risk Management
• Monitoring Results and Measuring Impact

https://github.com/FellaBennadji

04

Réseau Canopé

Why

• A meaningful job
• An exciting international dimension
• A framework of innovation and collaboration

05

Fella

Why?

• Experience in EdTech
• Mastery of project management
• Appetite for international opportunities

Alors travaillons ensemble !

+33 605 863 666

bennadjifella@yahoo.fr

https://github.com/FellaBennadji

• Tests de cas d’usage : s’assurer qu’il interprète correctement les requêtes et parcourt l’ontologie efficacement.
• Amélioration des performances : optimiser le temps de réponse et la précision de la génération des contextes : améliorer le modèle NLP ou la logique de parcours ?
• Retour des utilisateurs : Recueillir des retours des utilisateurs finaux pour ajuster l’agent en fonction des besoins réels.

• Déploiement en production : Lancer l’agent IA dans l’environnement de production.
• Maintenance et amélioration continue : veille pour maintenir à jour l’ontologie, ajuster le modèle NLP, et intégrer les retours des utilisateurs pour améliorer en continu.

• Analyse des besoins : définir les cas d’usage spécifiques et les exigences métiers -> comprendre les types de données nécessaires et les types de requêtes.

• Définition des ontologies métiers : Examin des publications de référence et les standards existants pour modéliser les concepts métiers et les relations pertinentes.

• Choix des technologies : BERT ou GPT ? Neo4j ou GraphDB ?

• Modélisation de l’ontologie : structurer l’ontologie : concepts clés, les entités, et leurs relations avec Protégé ? TopBraid Composer ?
• Intégration des données : Alimenter l’ontologie avec des données de référence et valider la cohérence des informations : ajustements.

• Développement NLP : adapter un modèle NLP capable de décomposer les requêtes en éléments exploitables pour la navigation dans le graphe.
• Création de la logique de parcours du graphe : Développer des algorithmes pour que l’agent puisse parcourir dynamiquement l’ontologie.
• Génération de contextes NGSI-LD : Conception d'un module qui transforme les résultats extraits en objets NGSI-LD.

• Connexion au Context-Broker : assurer l'envoi des contextes générés vers le context-broker en temps réel. Développement d'une API ou d'un connecteur ?
• Tests d'interopérabilité : vérifier la compatibilité des format NGSI-LD générées avec les autres systèmes connectés : conformité des formats et la qualité des données.