CV | Ibraverse

Vision industrielle
Des algorithmes 2D et 3D qui localisent, mesurent et inspectent des pièces : appariement de motifs, détection de contours, calibration et métrologie.
Apprentissage automatique
Arbres de décision, forêts aléatoires, SVM et k-moyennes en C++, du prototype à une fonctionnalité testée et documentée de la bibliothèque.
Apprentissage profond
Des modèles de détection d’objets et d’OCR passés au banc d’essai sur CPU et GPU, et ceux qui étaient retenus mis en production.
Caméras intelligentes
Des algorithmes de vision qui tiennent dans la mémoire et la puissance de calcul limitées d’une caméra.
Algorithmes numériques
L’optimisation non linéaire pour une précision sous-pixel, protégée par des tests de régression.
C++ moderne
Du code multithread, la mémoire mesurée avec MemoryTracer, les tests et les sanitizers.

Expérience

Août 2026 — aujourd’hui

Développeur logiciel senior, IA générative

Agents et recherche documentaire

Je construis des flux de travail agentiques et de la génération augmentée par récupération (RAG), ainsi que les évaluations qui décident quand un agent est prêt à être livré.

Juillet 2024 — août 2026

Zebra Technologies

Développeur logiciel senior, Aurora Imaging Library

Algorithmes de vision 2D et 3D

J’étais responsable d’Edge Finder, de Geometric Matcher et de Calibration dans l’Aurora Imaging Library, la bibliothèque de vision industrielle de Zebra, de la conception à la livraison : conception des API, correction des bogues, documentation, exemples de code et assistance aux clients. J’ai défini le comportement des API et la rétrocompatibilité avec les équipes UI, documentation et QA, et participé à la feuille de route.

Caméras intelligentes

J’ai adapté le traitement d’images de la bibliothèque aux caméras intelligentes Aurora Focus de Zebra, dans les limites de leur mémoire et de leur puissance de calcul. De l’interface utilisateur au backend, j’ai corrigé des bogues de multithreading et de concurrence et développé des fonctionnalités qui simplifient la configuration de la caméra.

Apprentissage automatique en C++

J’ai implémenté des arbres de décision, des forêts aléatoires et les k-moyennes dans le C++ de la bibliothèque : multithread, thread-safe et avec arrêt anticipé.

Apprentissage profond

J’ai passé au banc d’essai, sur CPU et GPU, des modèles d’apprentissage profond de détection d’objets, d’OCR et de détection de texte, réglé leurs hyperparamètres et conçu les métriques qui décident si un modèle est livré, puis mis en production ceux qui étaient retenus.

Juin 2022 — juin 2024

Zebra Technologies

Développeur logiciel II, traitement d’images

L’Advanced Geometric Matcher

J’ai fait passer l’Advanced Geometric Matcher (AGM), un nouvel outil d’appariement de motifs, de la recherche et du prototype à la production, et conçu son API C++ publique avec l’équipe. Il fait aujourd’hui partie de l’Aurora Imaging Library de Zebra.

Apprentissage automatique dans des outils géométriques

J’ai ajouté des forêts aléatoires et des SVM à des modules jusque-là purement géométriques, pour classifier des motifs dans des scènes encombrées, avec de nouvelles API, leur documentation et des exemples. J’ai aussi encadré des stagiaires et des développeurs juniors sur le C++ moderne, le multithreading et la revue de code.

Bogues numériques et tests de régression

J’ai corrigé des bogues numériques et des régressions d’API, et ajouté des tests unitaires, d’intégration et aléatoires aux suites de régression.

Juin 2019 — juin 2022

Matrox Imaging

Développeur logiciel, traitement d’images

Matrox Imaging, à Dorval, a rejoint Zebra Technologies en 2022.

Calibration, mesure et métrologie

J’ai implémenté et débogué les modules Calibration, Measurement et Metrology de la bibliothèque, avec leurs tests, leur documentation et leurs exemples, et assisté les clients qui les utilisaient. J’ai aussi maintenu Model Finder, Edge Finder et Bead.

Solveurs non linéaires

J’ai remplacé d’anciens solveurs géométriques de la base de code C++ de la bibliothèque, vieille de plusieurs décennies, par de l’optimisation non linéaire (dont Levenberg–Marquardt), pour une précision sous-pixel et une stabilité numérique. J’ai traqué des fuites mémoire et des références pendantes, et bâti des suites de régression qui protègent le comportement dont dépendent des milliers d’applications installées.

Janvier 2019 — mai 2019

Matrox Imaging

Stagiaire en développement logiciel

Un classifieur à forêt aléatoire

J’ai intégré un classifieur à forêt aléatoire à la Matrox Imaging Library (aujourd’hui l’Aurora Imaging Library de Zebra), avec un entraînement multithread et le démarrage à chaud (warm start), pour que les lignes de production puissent trier les défauts en temps réel, ainsi que les jeux de données synthétiques et les bancs d’essai automatisés qui mesuraient sa précision et sa vitesse à chaque changement.

2017 — 2019

Polytechnique Montréal

Maîtrise en ingénierie (M.Ing.), génie électrique — automatique

Maîtrise professionnelle avec stage industriel · Moyenne 3,87/4 · Bourse de la Fondation Al Ghurair — 1 sur environ 100 boursiers parmi plus de 15 000 candidatures.

Comment je suis arrivé au Canada

La bourse a été accordée au mérite académique et a financé ma maîtrise. C’est ainsi que je suis arrivé à Montréal.

Projets sur du vrai matériel

Chaque cours important se terminait par un projet sur du vrai matériel : ordonnancement temps réel sous QNX, un système de vision en MATLAB et C++ qui localisait des pièces pour un robot Fanuc à 6 axes, l’assemblage de panoramas avec SIFT, et le suivi de formation sur la flotte de robots du Georgia Tech Robotarium.

2012 — 2017

École Nationale Polytechnique, Alger

Diplôme d’ingénieur d’État, génie électrique — automatique

Moyenne 17,5/20 · 5e sur 1 400 au concours national d’entrée, après les classes préparatoires (top 1 %).

Classes préparatoires

Deux années intensives de mathématiques, de physique et de programmation, avant le classement national qui décide de l’école d’ingénieurs où l’on entre.

Systèmes de commande sur du vrai matériel

J’ai conçu un régulateur de vitesse adaptatif pour véhicule autonome et un programme d’automate qui pilote une machine d’assemblage industrielle.

Compétences

Langages: C++17 / C++20 C Python TypeScript Dart / Flutter MATLAB SQL
Vision industrielle: Aurora Imaging Library OpenCV appariement de motifs calibration métrologie mesure de contours SIFT homographie géométrie 2D et 3D
Apprentissage automatique: arbres de décision forêts aléatoires SVM k-moyennes scikit-learn apprentissage profond détection d’objets OCR évaluation de modèles réglage d’hyperparamètres
Mathématiques: optimisation non linéaire Levenberg–Marquardt algèbre linéaire stabilité numérique théorie de la commande
C++ & systèmes: C++ moderne multithreading et concurrence mémoire virtuelle CMake GTest ASan / MSan Valgrind gdb Windows et Linux Docker
IA générative: flux de travail agentiques RAG évaluation d’agents
Outils: Git / GitHub SVN CI/CD revue de code clang-tidy SonarQube Visual Studio JIRA Confluence Google Cloud Firebase FastAPI
Langues: français (langue maternelle) anglais (professionnel) arabe (langue maternelle)

Certifications

2023 Neural Networks and Deep Learning · Convolutional Neural Networks DeepLearning.AI
2023 Machine Learning: Classification University of Washington