Description

Ingénieur en Machine Learning et Computer Vision, je conçois et je livre des modèles qui tournent vraiment en production, pas des prototypes.

Pour une multinationale de la logistique d'œuvres d'art, j'ai construit seul un système qui estime les dimensions réelles (en mètres) et la pose 3D d'un objet à partir d'une simple photo. Au départ, aucune donnée : j'ai tout sourcé et construit le jeu de données, puis livré trois générations de modèles, faisant passer l'erreur moyenne de 40% à 17%.

J'ai aussi développé, seul et de bout en bout, une plateforme GenAI pour un acteur de la rénovation énergétique : workflow LLM (PydanticAI, Qwen), RAG et recherche vectorielle (FAISS), serveur MCP, et un VAE entraîné sur 13,8 millions de DPE, avec des garde-fous anti-hallucination.

Sur chaque mission, je prends en charge tout le cycle : recherche et préparation des données, entraînement, évaluation, déploiement (FastAPI, Docker, GPU, AWS/Scaleway).

Donnez-moi un problème : je trouve la data, je construis le modèle, et je le mets en production.

Langues

Anglais
Bilingue ou natif
Espagnol
Capacité professionnelle complète
Français
Bilingue ou natif

Préférences en matière de lieu de travail

En télétravail uniquement

Travaille majoritairement à distance

The Packengers
Ingénieur Machine Learning / Computer Vision (3D)
DIGITAL AND IT
janvier 2025 - Aujourd'hui (1 an et 6 mois)
Paris, France
Ingénieur ML et Computer Vision pour une multinationale de la logistique d'œuvres d'art. Système qui estime les dimensions réelles (en mètres) et la pose 3D d'un objet à partir d'une simple photo, pour automatiser la mesure des colis.
Au départ, aucune donnée : sourcing et construction complète du jeu de données.
Trois générations de modèles livrées, erreur moyenne passée de 40% à 17%.
Stack : diffusion (DDIM), modèles de fondation (DINOv3, SAM 2), profondeur (Depth Anything 3), attention multimodale, incertitude (NLL), Optuna.
Cycle complet : données, entraînement, évaluation, déploiement (FastAPI, S3, GPU H100, Docker, CI/CD, dashboard React).
Pytorch LLM Machine learning Deep Learning Computer Vision
Client confidentiel, rénovation énergétique
Ingénieur GenAI / LLM
DIGITAL AND IT
février 2026 - juin 2026 (4 mois)
Lyon, France
Conception et développement, en solo, d'une plateforme GenAI pour un acteur de la rénovation énergétique.
Workflow LLM (PydanticAI, Qwen via Ollama/vLLM) générant des scénarios de rénovation, avec garde-fous anti-hallucination (le LLM ne produit jamais les chiffres).
VAE entraîné sur 13,8 millions de DPE pour la détection d'anomalies et les signatures latentes.
Recherche RAG via FAISS sur 13,8 millions d'enregistrements pour des recommandations ancrées.
Serveur MCP exposant une dizaine d'outils déterministes (calcul énergétique réglementaire, aides, optimisation).
Livraison full-stack : Python/FastAPI, Java/Spring Boot, Next.js/TypeScript, Terraform/Kubernetes sur Scaleway.
Deep Learning Pytorch RAG LLM MLOps
Eden Games
Ingénieur Machine Learning et Développeur Cloud
DIGITAL AND IT
septembre 2024 - février 2025 (5 mois)
Lyon, France
Studio de jeux vidéo AAA (Lyon).
Stratégie d'apprentissage par renforcement (RL) pour des agents de conduite autonome dans des jeux de course : approche d'entraînement et étude de faisabilité d'intégration au moteur de jeu.
Mise en place d'une infrastructure cloud en Infrastructure as Code (AWS CloudFormation, ECS, S3, IAM), conteneurisée avec Docker et CI/CD GitHub Actions.
Bases de déploiement que je réutilise aujourd'hui pour la mise en production de modèles ML.
AWS Fargate Pytorch MLOps Machine learning Deep Learning