Description

AI Engineer titulaire d’un doctorat en intelligence artificielle et fort de plus de 7 ans d’expérience dans la conception de solutions intelligentes basées sur les données, appliquées aux secteurs du retail, marketing, et de l’énergie.

Je suis spécialisé dans la transformation de données complexes en informations exploitables pour les entreprises grâce à l’analyse de données, l’apprentissage automatique et les grands modèles de langage (LLMs). J’apporte une expertise de bout en bout, allant de l’ingénierie et de la préparation des données jusqu’au développement et au déploiement de modèles, avec une forte orientation vers la création d’impact concret et mesurable.

Langues

Français
Bilingue ou natif
Anglais
Capacité professionnelle complète

Préférences en matière de lieu de travail

Accepte de travailler sur site

Paris (jusqu’à 50 km)

ENGIE
Senior AI Engineer
ENERGIE
septembre 2025 - Aujourd'hui (11 mois)
Paris, France
Développement et déploiement d'agents, création de tools pour l'agent, déploiement du Vector search pour le RAG, évaluation LLM as a jugé, Tracing et monitoring avec mlflow, déploiement en production sur databricks.
Langchain LangGraph MLflow Databricks Python
Kiliba
AI Engineer / Data Scientist
COMMERCE DE DÉTAIL
avril 2021 - août 2025 (4 ans et 4 mois)
Ile-of-France, France
Amélioration complète de la chaîne d’envoi des campagnes email, de l’ingénierie des données au ciblage des contacts, en passant par la recommandation de produits et la préparation des emails.

- Conception, optimisation et maintenance de workflows de traitement de données à grande échelle sur AWS et Databricks, utilisant SQL, Python et Spark.
- Migration de pipelines de traitement de données de Scala Spark vers PySpark, incluant refactorisation, optimisation des performances et amélioration de la maintenabilité du code.
- Conception et déploiement de stratégies avancées de segmentation et de ciblage client, avec amélioration de la méthode RFM pour une précision accrue. - Développement de systèmes de recommandation personnalisés : filtrage collaboratif (ALS) et recommandations basées sur le contenu (distance cosinus).
- Expérimentation, suivi et déploiement de modèles de recommandation avec MLflow, intégration de pipelines de production sur Databricks via Terraform.
- Mise en place de tests unitaires automatisés avec Pytest pour assurer la qualité, la fiabilité et la robustesse du code.
- Calcul d’embeddings et utilisation de RAG pour la conception d’un chatbot recommandant des produits de manière contextuelle.
- Utilisation de LLMs pour la recommandation de produits en temps réel via AWS Lambda.
- Développement de workflows multi-agents pour le scraping, la recherche web et la planification d’événements liés aux boutiques e-commerce, en exploitant les APIs OpenAI, LangChain et LangSmith.
- Réalisation d’analyses avancées de campagnes d’email marketing et création de tableaux de bord interactifs pour suivre les KPI (taux de clics, taux de conversion, ROI).
- Déploiement de stratégies d’A/B testing afin d’optimiser les performances des campagnes, générant des gains mesurables en engagement utilisateur et chiffre d’affaires.
- Analyse et formalisation des besoins en data science en étroite collaboration avec les équipes métier et le Product Owner.
Python Spark LLM Machine learning Analyse de données
Atomic Energy and Alternative Energy Commission (CEA)
Data scientist
ENERGIE
octobre 2017 - décembre 2020 (3 ans et 2 mois)
Lille, France
Développement d’une approche innovante de pronostic des pannes pour les systèmes industriels.

- Conception et développement d’une nouvelle approche de pronostic des pannes pour les systèmes industriels.
- Application de techniques statistiques avancées et de traitement du signal afin d’extraire des indicateurs pertinents à partir de données vibratoires industrielles.
- Mise en place de méthodes de sélection automatique d’indicateurs, améliorant significativement le suivi de l’état des machines et les performances de la maintenance prédictive.
- Détection précoce de dégradations via des techniques de détection d’anomalie (OCSVM, AutoEncoder).
- Prédiction du temps restant de vie (Remaining Useful Life - RUL) avec peu de données historiques grâce aux modèles linéaires généralisés (GLM).
- Développement d’une approche innovante de deep learning combinant CNN et LSTM pour la prédiction du RUL à partir de multiples historiques.
Valorisation des résultats par des présentations dans des conférences internationales (ECML, ICMLA, PHM Society).
Python Machine learning Deep Learning Time Series Analyse de données