Description

Je suis data scientist et ingénieur en machine learning (PhD) avec une forte expérience dans la conception et le déploiement de solutions IA à impact opérationnel.

J’interviens sur toutes les étapes d’un projet : de la compréhension du besoin métier jusqu’à la mise en production de modèles performants et maintenables.

✔ Expertise en machine learning appliqué : prédiction, détection d’anomalies, séries temporelles, classification, optimisation

✔ Solide expérience en IA médicale et en environnement startup, sur des projets de télécardiologie et de modélisation de signaux physiologiques

✔ Expertise en Python, SQL, Docker, FastAPI, MLflow et Streamlit

✔ Développement complet : pipeline de données, entraînement, suivi et industrialisation des modèles

✔ Communication claire et efficace entre équipes techniques et décisionnelles

Je conçois des solutions IA fiables et pragmatiques, orientées résultats, avec une attention particulière à la lisibilité du code et à la clarté des analyses.

J’accorde aussi une importance particulière à l’explication et la transmission, pour que chaque modèle livré soit compris, exploité et amélioré par l’ensemble des équipes.

Je privilégie les solutions simples, claires et durables, qui créent de la valeur dès leur mise en place.

Domaines d’expertise

Langues

Français
Bilingue ou natif
Anglais
Bilingue ou natif
Italien
Notions
Allemand
Notions

Préférences en matière de lieu de travail

Accepte de travailler sur site

Paris (jusqu’à 50 km), Marseille (jusqu’à 50 km), Lyon (jusqu’à 50 km), Toulouse (jusqu’à 50 km), Grenoble (jusqu’à 50 km)

IMPLICITY
PhD Machine Learning
SECTEUR MÉDICAL
janvier 2020 - janvier 2025 (5 ans)
Paris, France
🇬🇧 English
Improved heart-failure prediction models by raising ROC-AUC from 0.72→0.77 for identifying low-risk patients and from 0.73→0.82 for high-risk patients — a decisive gain that enabled the system to reach FDA performance thresholds.
Designed robust encodings for heterogeneous medical tabular data, improving model stability and interpretability.
Co-created Pythae, an open-source Python library for training and benchmarking generative autoencoders.
Published at NeurIPS (top AI conferences), validating the research’s scientific impact and reproducibility.
Co-invented a patented predictive model used internally for cardiac risk stratification.
Regularly explained complex ML concepts to multidisciplinary teams (researchers, engineers, physicians, executives, sales) in English and French.
🇫🇷 Français
Amélioration des modèles de prédiction d’insuffisance cardiaque : AUC ROC passée de 0,72→0,77 pour la détection des patients à faible risque et de 0,73→0,82 pour la détection des patients à haut risque — un gain décisif ayant permis d’atteindre le seuil de performance requis pour l’approbation FDA.
Conception d’encodages robustes pour données tabulaires médicales hétérogènes, renforçant la stabilité et l’interprétabilité des modèles.
Co-création de Pythae, librairie open-source en Python dédiée à l’entraînement et à la comparaison d’autoencodeurs génératifs.
Publication à NeurIPS (conférence internationale majeure en intelligence artificielle), validant la qualité scientifique et la portée du travail.
Co-inventeur d’un modèle breveté utilisé en interne pour la stratification du risque cardiaque.
Vulgarisation régulière de concepts de machine learning complexes auprès d’équipes pluridisciplinaires (chercheurs, ingénieurs, médecins, direction, sales), en anglais et en français.
Pandas Pytorch Machine learning Data science Python
MVA, ENS Paris-Saclay
Teaching Assistant – Computational Statistics & Bayesian Inference
EDUCATION & E-LEARNING
janvier 2022 - mai 2022 (4 mois)
Paris, France
🇬🇧 English
Taught key concepts linking theory and practice in computational statistics.
Supervised practical coding sessions in Python
Topics: stochastic gradient methods, Bayesian inference, EM & MCMC algorithms and extensions.
🇫🇷 Français
Enseignement des notions clés du cours en reliant théorie et pratique.
Supervision de sessions de codage
Concepts abordés : gradient stochastique, méthodes bayésiennes, algorithmes EM et MCMC et extensions.
Machine learning Data science Scikit-learn Data analysis Gestion de projet
IMPLICITY
Data Scientist Researcher
SECTEUR MÉDICAL
janvier 2020 - juin 2020 (5 mois)
Paris, France
🇬🇧 English
Co-invented a patented algorithm for early prediction of heart-failure risk from implantable cardiac device (CIED) data.
Developed a semi-supervised time-series classification model explicitly handling missing and irregular data.
Achieved 94 % precision and 5 % false negatives on 20-day risk prediction of heart failure, exceeding all exploratory objectives.
Confirmed the predictive value of longitudinal cardiac data, validating the company’s R&D direction and paving the way for new clinical tools.
🇫🇷 Français
Co-inventeur d’un algorithme breveté de prédiction précoce du risque d’insuffisance cardiaque à partir de données issues de dispositifs cardiaques implantables (CIED).
Développement d’un modèle de classification semi-supervisé prenant en compte les données manquantes et les échantillonnages irréguliers.
Performances : 94 % de précision, 5 % de faux négatifs sur la prédiction à 20 jours du risque d’hospitalisation, au-delà des attentes initiales du projet exploratoire.
Validation du potentiel prédictif des données longitudinales cardiaques, orientant la stratégie R&D de l’entreprise et donnant lieu à un dépôt de brevet.
Supervised Learning Machine learning Data science Time Series TensorFlow