<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"><channel><title>Home</title><description>Portfolio de Franklin KANA NGUEDIA — Data Engineer &amp; AI Engineer : pipelines Airflow, systèmes RAG, graphes Neo4j, FinOps et observabilité.</description><link>https://fkdia23.github.io/</link><item><title>Travaux en IA &amp; Data : agents, LLMs et fine-tuning</title><link>https://fkdia23.github.io/posts/travaux-ia-agents-llm/</link><guid isPermaLink="true">https://fkdia23.github.io/posts/travaux-ia-agents-llm/</guid><description>Sélection de 4 projets d&apos;ingénierie IA : conception d&apos;applications LLM, orchestration d&apos;agents et de tools, fine-tuning PEFT/LoRA, RAG traçable, APIs et déploiement local de modèles.
</description><pubDate>Fri, 26 Jun 2026 09:00:00 GMT</pubDate></item><item><title>Chatbot RAG — assistant IA sur base documentaire</title><link>https://fkdia23.github.io/posts/chatbot-rag-documentaire/</link><guid isPermaLink="true">https://fkdia23.github.io/posts/chatbot-rag-documentaire/</guid><description>Conception d&apos;un assistant IA reposant sur une base documentaire : FastAPI + vector DB + LangChain + PostgreSQL + Docker, pour l&apos;ingestion, l&apos;indexation et les requêtes en langage naturel.
</description><pubDate>Wed, 06 May 2026 09:00:00 GMT</pubDate></item><item><title>Pipeline e-commerce temps réel sur Azure</title><link>https://fkdia23.github.io/posts/pipeline-ecommerce-temps-reel/</link><guid isPermaLink="true">https://fkdia23.github.io/posts/pipeline-ecommerce-temps-reel/</guid><description>Conception d&apos;un pipeline Big Data temps réel pour ingérer, transformer et restituer des indicateurs commerciaux, avec une architecture médaillon Bronze/Silver/Gold sur Azure.
</description><pubDate>Wed, 08 Apr 2026 09:00:00 GMT</pubDate></item><item><title>Airflow Learning &amp; Projects</title><link>https://fkdia23.github.io/posts/airflow-learning/</link><guid isPermaLink="true">https://fkdia23.github.io/posts/airflow-learning/</guid><description>Exploration des concepts Apache Airflow à travers des projets pratiques et use cases avancés</description><pubDate>Thu, 19 Mar 2026 00:00:00 GMT</pubDate></item><item><title>MLOps médical — industrialisation de l&apos;IA à l&apos;échelle entreprise</title><link>https://fkdia23.github.io/posts/mlops-medical-kubeflow/</link><guid isPermaLink="true">https://fkdia23.github.io/posts/mlops-medical-kubeflow/</guid><description>Automatisation complète du cycle de vie des modèles IA avec Jenkins, Kubeflow, tests automatisés et monitoring temps réel, avec rollback instantané pour une fiabilité 24/7.
</description><pubDate>Tue, 10 Mar 2026 09:00:00 GMT</pubDate></item><item><title>Agent SQL pour équipes métier — démocratiser l&apos;accès aux données</title><link>https://fkdia23.github.io/posts/agent-sql-equipes-metier/</link><guid isPermaLink="true">https://fkdia23.github.io/posts/agent-sql-equipes-metier/</guid><description>Un assistant SQL en langage naturel permettant à des non-techniciens d&apos;interroger des bases PostgreSQL sans assistance technique, avec une architecture FastAPI + LLaMA + Docker + Gradio sécurisée.
</description><pubDate>Thu, 05 Feb 2026 09:00:00 GMT</pubDate></item><item><title>Spécialisation de modèles LLM pour des domaines métiers</title><link>https://fkdia23.github.io/posts/llm-finetuning-domaines-metiers/</link><guid isPermaLink="true">https://fkdia23.github.io/posts/llm-finetuning-domaines-metiers/</guid><description>Concevoir et déployer des modèles LLM spécialisés sur des domaines métier via fine-tuning LLaMA/Qwen avec LoRA, puis déploiement autonome sur Hugging Face et infrastructure locale Ollama.
</description><pubDate>Thu, 15 Jan 2026 09:00:00 GMT</pubDate></item><item><title>Construire un RAG fiable, traçable et auditable</title><link>https://fkdia23.github.io/posts/rag-precision-tracabilite/</link><guid isPermaLink="true">https://fkdia23.github.io/posts/rag-precision-tracabilite/</guid><description>Concevoir un système RAG capable de fournir des réponses précises, vérifiables et sourcées à partir de documents complexes, avec traçabilité complète jusqu’à la page source.
</description><pubDate>Wed, 29 Oct 2025 16:52:45 GMT</pubDate></item></channel></rss>