Description

Ingénieur IA et Data Scientist avec plus de 5 ans d’expérience en IA/ML et 2 ans en IA Générative, j’accompagne entreprises et équipes R&D dans la conception, le développement et le déploiement de solutions d’intelligence artificielle sur-mesure.

## Expertises principales ##

Fine-tuning de LLM, architectures RAG, systèmes multi-agents, Data Engineering et pipelines ML.

## Technos ##

Python, Pytorch, Hugging Face, LangChain, LangGraph, FastAPI, Streamlit, Docker, Qdrant, FAISS, AWS-Sagemaker

## Approche ##

Allier rigueur technique et esprit d’innovation pour transformer des idées complexes en applications IA fiables, scalables et exploitables en production.

## Types de projets réalisés ##

Développement d’applications RAG spécialisées (médical, comptabilité, assurance, éducation canine).
Création de systèmes multi-agents pour l’automatisation d’analyses complexes (OCR, FEC, documents cliniques).
Mise en place de pipelines de détection d’anomalies (fraude assurance, finance).
Recherche appliquée : nouvelles méthodes de prédiction en biodiversité marine (+30% de performance vs SOTA).

## Ma valeur ajoutée ##

Je maîtrise toute la chaîne de valeur IA – du design d’architecture au déploiement en production – en gardant toujours en tête vos enjeux business, la fiabilité des résultats et la simplicité d’usage pour vos équipes.

Langues

Français
Bilingue ou natif
Anglais
Capacité professionnelle complète

Préférences en matière de lieu de travail

Accepte de travailler sur site

Montpellier (jusqu’à 50 km)

Inria
Ingénieur de Recherche en Deep Learning & LLM
SECTEUR PUBLIC & COLLECTIVITÉS
mai 2023 - Aujourd'hui (3 ans et 1 mois)
Montpellier, France
Situation : Développement d'une approche novatrice pour prédire les assemblages d'espèces de poissons en utilisant l'IA Générative (LLMs).

Tâche : Transformer des données continues en formulation interprétable par un LLM pour prévoir les assemblages de poissons.

Actions :
- Réalisé une revue de littérature
- Construit un pipeline ML de référence (XGBoost)
- Conçu un jeu de données original Fine-tuné des modèles LLM (GPT-2, Llama2) - Optimisé les hyperparamètres
- Comparé les performances
- Rédigé un article scientifique

Résultat : Méthode prédictive révolutionnaire atteignant 30% de performances supérieures aux approches traditionnelles. Méthodologie novatrice modélisant intrinsèquement les interactions inter-espèces.

Stack : Python, Hugging Face, PyTorch, Scikit-learn, XGBoost, Dash,Matplotlib, Seaborn, Geopandas, Git/Github
Deep Learning Hugging Face Machine learning LLM NLP
Mutuelle Santé
Data Scientist & Ingénieur de Données pour Détection d'Anomalies
SANTÉ & BIEN-ÊTRE
janvier 2023 - août 2024 (1 an et 7 mois)
Montpellier, France
Situation : Développement d'un système hybride de détection d'anomalies pour les remboursements de soins de santé sur un réseau de 10 mutuelles (2,8M bénéficiaires).

Tâche : Concevoir et implémenter une architecture complète de détection d'anomalies combinant méthodes statistiques traditionnelles et IA Générative (LLMs).

Actions :
- Conçu un pipeline ETL Développé des features temporelles multi-échelles
- Implémenté une approche ML ensemble (Random Forest, XGBoost, SVM)
- Déployé un pipeline d'inférence

Résultat : Système de détection d'anomalies haute performance atteignant Recall = 0,40 et Précision = 0,55, aux solutions basées sur règles.

Stack : Python, DuckDB, Polars, Pandas, Scikit-learn, NumPy, Matplolib, Seaborn, XGBoost, PyTorch, Jupyter, Git/Github, SQL avancé

SQL Polars XGBoost Anomaly Detection Feature Engineering
Fintech
Ingénieur IA & Data Scientist
BANQUE & ASSURANCES
août 2024 - février 2025 (6 mois)
Montpellier, France
Situation : Développement d'une solution innovante d'analyse automatisée de FEC (Fichiers d'Écritures Comptables), combinant agents IA conversationnels et génération automatique de code Python.

Tâche : Concevoir et implémenter un système multi-agents alimenté par des LLMs pour analyser automatiquement des données comptables et générer du code Python sur mesure.

Actions :
- Conçu une architecture multi-agents
- Construit un moteur de génération de code Implémenté un système RAG
- Créé un sandbox sécurisé
- Développé un backend FastAPI avec interface Streamlit

Résultat : POC fonctionnel réduisant le temps d'analyse de demi-journée à quelques minutes, permettant aux non-développeurs de générer du code d'analyse complexe via langage naturel.

Stack : Python, FastAPI, Streamlit, LangChain, LangGraph, LangSmith, API OpenAI, ChromaDB, FAISS, Hugging Face, Sentence Transformers, Pandas, NumPy, Docker, Git/GitHub, Pydantic
Langchain LangGraph ChromaDB RAG AI Agents