Hani A.
Étudiant en Master 2 Intelligence Artificielle (FS Ben M'Sik), en recherche de stage PFE en IA et computer vision
Présentation
Je suis en Master d'Excellence en Intelligence Artificielle à la Faculté des Sciences Ben M'Sik (Université Hassan II de Casablanca), après une licence d'excellence en IA obtenue avec mention Très Bien et un BTS en développement informatique.
Je construis des systèmes d'IA de bout en bout: OilGuard, un modèle DeepLabV3+ qui segmente les nappes d'hydrocarbures sur images Sentinel-1 (Dice 0,87), présenté en poster à la conférence IANLP 2026, et un système de reconnaissance de plaques marocaines avec YOLOv8 et OCR (mAP@0,5 de 99,5 %) exposé par une API FastAPI. J'ai aussi fait deux stages en développement web et support informatique à Fès.
Je cherche un stage de fin d'études de 6 mois en IA, machine learning, computer vision ou data science, à Casablanca ou en mobilité (Rabat, Fès, Kénitra), disponible le 1er février 2027.
Formation
Master d'Excellence en Intelligence Artificielle · FS Casablanca (Ben M'Sik), Université Hassan II
2025 – 2027
Licence d'Excellence en Intelligence Artificielle (mention Très Bien) · FS Casablanca (Ben M'Sik), Université Hassan II
2024 – 2025
BTS Développement Informatique (mention Très Bien) · Fès
2022 – 2024
Expérience
Stagiaire développeur web · F&S Worldbusiness
05/2024 – 06/2024
Développé une application web de gestion de pharmacie (Laravel, JavaScript, MySQL). Développé un outil desktop de gestion des stocks en Visual Basic.
Stagiaire en informatique · Lesaffre Maroc
08/2023 – 09/2023
Assuré le support informatique, le diagnostic d'incidents et la maintenance de bases de données.
Projets
OilGuard
Surveillance des nappes d'hydrocarbures offshore: DeepLabV3+ (ResNet50, PyTorch) sur Sentinel-1 SAR, Dice 0,87 et IoU 0,78. Chaîne géospatiale Rasterio/GeoPandas et interface Next.js. Poster présenté à IANLP 2026.
Reconnaissance des plaques d'immatriculation marocaines
Pipeline à deux modèles YOLOv8 (détection puis reconnaissance de caractères arabes et latins), mAP@0,5 99,5 %. API FastAPI intégrée à une application Android/Kotlin.
Détection d'objets en temps réel avec YOLOv8
Détection d'objets petits et rapides pour la robotique et les véhicules autonomes, précision 85,6 %.