Mohamed Salah Bedoui

Ingénieur en génie logiciel (ESPRIT, 2026, mention Très Bien), spécialisé en data science, intelligence artificielle et télédétection. Je conçois des solutions data de bout en bout : collecte, traitement, modélisation et déploiement.

En télédétection, je traite des images satellites Sentinel-1 (radar SAR), Sentinel-2 et Landsat pour la détection de changements (déforestation, inondations, sites miniers), le suivi de la qualité de l'eau, le calcul d'indices spectraux et la fusion multi-capteurs.

Je construis des pipelines de données automatisés et reproductibles en Python, avec architecture Docker et bases spatiales PostGIS, jusqu'aux tableaux de bord de restitution.

En machine learning et deep learning, je développe des modèles de vision par ordinateur (détection de défauts, classification d'images) ainsi que des modèles de prédiction, avec PyTorch, TensorFlow et Scikit-learn. Je conçois également des applications d'IA générative (LLM, RAG avec LangChain et ChromaDB) et des automatisations de workflows avec n8n.

Depuis janvier 2026, je travaille à distance pour Modelis-France sur des projets de télédétection en Afrique : détection d'orpaillage en Côte d'Ivoire, suivi de la qualité de l'eau sur un réservoir hydroélectrique, détection de changements à l'échelle du continent. J'ai aussi développé des modèles de deep learning pour l'inspection industrielle (Exanodia) et contribué à des pipelines de données sur AWS et Databricks (IS Pillar).

Je prends mes projets en autonomie, de la conception au déploiement, je valide les résultats sur des données réelles et je documente mon travail pour faciliter la reprise par l'équipe.