ENSEEIHT, Toulouse
Systèmes concurrents, réseaux, bases de données, architecture des ordinateurs, méthodes formelles. Stage en calcul haute performance : Kubernetes, Linux, Bash, vLLM.
- Kubernetes
- Docker
- Linux
- Kyverno
- NGINX
- Bash
Polytechnique Montréal / ENSEEIHT
Sami Mostfa
Je conçois des modèles de ML et leur mise en production.
Étudiant en maîtrise professionnelle en génie informatique, à la recherche d'un stage à Montréal pour l'été 2027 (3 mai – 31 août) en AI/ML Engineering, MLOps ou Data Engineering.
Un profil à double compétence
Entre l'ingénierie logicielle et l'IA, je me place là où les projets ML se heurtent d'habitude à la réalité : le déploiement.
Polytechnique Montréal
IA, ML, fouille de données, statistique bayésienne, TALN, optimisation continue.
Moyenne cumulative de 3.83/4.0.
- PyTorch
- scikit-learn
- pandas
- XGBoost
- Julia
Mon profil : du modèle à la production. Entraîner un modèle, l'évaluer rigoureusement, le déployer : c'est la chaîne que je vise. Chez Axians, la solution que j'ai conçue a été mise en production en 2026 ; je veux désormais participer à cette chaîne de bout en bout dans une nouvelle opportunité professionnelle.
Mon parcours
-
AI/ML Engineering, MLOps ou Data Engineering : mener un projet de bout en bout, de la conception à la mise en production.
-
LPA → LPAm → LPAm+ → VNS sur 9 graphes DIMACS (jusqu'à plus de 31 000 sommets), 40 exécutions par méthode et revue de 5 articles.
-
Prévision des particules fines sur 7 stations à partir de 17 ans de données : 20+ variables, validation temporelle, RMSE de 18,25 sur Kaggle.
-
GPA cumulatif de 3.83/4.0. IA, ML, fouille de données, statistique bayésienne, TALN, DevOps intelligent, cybersécurité.
-
Intégration de Kubernetes à Open OnDemand (mise en production en 2026), wrapper kubectl en Bash, politiques Kyverno, serveur d'inférence LLM vLLM.
-
CNN multi-sorties (classification + régression de boîte englobante), IoU et F1 implémentés from scratch en TensorFlow.
-
Surveillance des bassins et intervention d'urgence : responsabilité et prise de décision en situation critique.
-
Génie logiciel, systèmes concurrents, bases de données, théorie des graphes, calculabilité, réseaux, méthodes formelles.
-
Mathématiques, physique et informatique en cursus intensif.
-
Mathématiques et informatique : environ 15 lycéens, 80 heures, en parallèle des études.
Projets
Trois projets issus de mon GitHub : de la modélisation statistique à l'optimisation de graphes, jusqu'à une étude orientée exploitation (MLOps).
Clustering de graphes par maximisation de la modularité (VNS)
Implémentation d'un pipeline issu de la littérature pour la détection de communautés dans des graphes, par maximisation de la modularité.
- LPA → LPAm → LPAm+ → VNS/VNDS : chaque étape échappe aux optima locaux de la précédente
- 9 graphes de référence, de 34 à plus de 31 000 sommets, 40 exécutions par méthode et par graphe (graines 1 à 40)
- Comparaison avec la littérature, revue de 5 articles scientifiques
- Julia choisi pour la vitesse proche du compilé avec la lisibilité de Python
- Théorie des graphes
- Métaheuristiques
- Optimisation
Prédiction de la qualité de l'air à Montréal
Prédire la concentration journalière de particules fines (PM) sur 7 stations montréalaises pour les 365 jours de 2025, soit 2 555 prédictions, à partir de 17 ans de données.
- Jointure air + météo, analyse exploratoire, 20+ variables dérivées (moyennes mobiles, saisonnalité sinus/cosinus, interactions température × mois)
- Valeurs manquantes traitées par variable ; validation par séparation temporelle, jamais aléatoire
- 4 variantes comparées ; modèle retenu : régression linéaire (GLM.jl, 23 variables) sans variable construite sur le PM passé, pour éviter la propagation d'erreur
- RMSE de 18,25 sur Kaggle ; limites documentées : sous-estimation des épisodes de fumée
- Séries temporelles
- Régression linéaire
- Feature engineering
Prédiction de pannes de disques : une approche orientée exploitation
Étude de la prédiction de pannes de disques durs du point de vue de l'exploitation : le but n'est pas seulement un bon score, mais une prédiction utile à temps.
- Configuration centralisée et reproductible : horizons de prédiction, délais d'alerte minimaux, attributs SMART critiques, ratios de coûts
- Audit du schéma des fichiers CSV quotidiens, conversion en Parquet compressé, requêtes avec DuckDB
- Veille scientifique : 5 articles sur la prédiction de pannes et l'apprentissage sensible aux coûts
- Phase actuelle : exploration du T1 2025 pour formuler la problématique ; extension prévue à l'année complète
- Data engineering
- Cost-sensitive learning
- DuckDB / Parquet
Expérience
06/2025 – 08/2025
Stage Ingénieur en Calcul Haute Performance
Solution mise en production par Axians en 2026
- Conception d'une architecture intégrant Kubernetes au portail HPC Open OnDemand, en contournant les limites de l'adaptateur natif (pas de Deployments)
- Wrapper
kubectlen Bash qui intercepte les appels de l'adaptateur et fiabilise l'affichage du statut des jobs - Politiques Kyverno : nettoyage des ressources orphelines, quotas, sécurisation des accès (NFS, GPU)
- Déploiement et configuration d'un serveur d'inférence LLM (vLLM) sur le cluster
- Document d'architecture technique (Apache, NGINX, Passenger, adaptateur Kubernetes)
09/2020 – 06/2025
Professeur particulier en mathématiques & informatique
~15 lycéens, ~80 heures. Communication, adaptabilité et autonomie sur plusieurs années.
07/2024 – 09/2024
Sauveteur aquatique
Surveillance des bassins et intervention d'urgence : prise de responsabilité et décision en situation critique.
Formation
Polytechnique Montréal
IA, Machine Learning, Optimisation continue, Fouille de données, Visualisation de données, Statistique bayésienne, TALN, DevOps intelligent pour systèmes logiciels à grande échelle, Cybersécurité.
ENSEEIHT
Génie logiciel, systèmes concurrents, bases de données, graphes, calculabilité & complexité, réseaux, méthodes formelles.
Classes préparatoires MPI* / MP2I
Mathématiques, physique, informatique.
Compétences
Langages
- Python
- Julia
- C
- Java
- TypeScript
- JavaScript
- OCaml
- Ada
- Bash
- HTML/CSS
- LaTeX
ML, IA & Deep Learning
- PyTorch
- TensorFlow
- Keras
- scikit-learn
- XGBoost
- GLM.jl
IA agentique
- MCP
- OpenRouter
- Claude Code
- Prompt engineering
- Skills & tools personnalisés
- vLLM
Données & visualisation
- NumPy
- SciPy
- Pandas
- SQL
- Seaborn
- Matplotlib
- D3.js
- DataFrames.jl
DevOps & infrastructure
- Git / GitHub
- GitHub Actions
- Kubernetes
- Docker
- Kyverno
- NGINX
- Apache
- GCP
- Linux
Langues
- Français (courant)
- Anglais B2 (Cambridge Linguaskill)
- Espagnol A2
- Arabe (notions)
Centres d'intérêt
Musique
14 ans de guitare, théorie musicale avancée, 10 h de cours dispensés.
Secourisme
400 h cumulées : BNSSA (8 mois de formation) et PSE1 (40 h).
Sport
Natation & Musculation.