SRÀ propos de Simon
Docteur en IA et ingénieur de l'École Centrale Paris j'ai deux jeux de compétences complémentaires :
- Expertise scientifique — co-conception d’architectures IA, veille/état de l’art, design de benchmarks, formations et workshops.
- Approche pragmatique orientée produit — PoC rapides, optimisation des coûts et de la latence, management d'équipes techniques.
Ce que je propose :
- Conseil scientifique (arbitrages & cadrage)
Je clarifie rapidement quoi tester, pourquoi et comment. Je compare les approches possibles (baseline vs SOTA, coût/latence/risque), puis je propose un plan d’expériences priorisé.
Livrables types : note d’aide à la décision (2–4 p.), protocole d’évaluation (datasets, métriques) et estimation coûts.
- Co-conception avec vos équipes (architecture à impact)
On conçoit ensemble une architecture de bout en bout — data → modèles → API → monitoring. J’assure les revues d’architecture et le mentoring des ingénieurs.
Livrables types: diagrammes d’archi, plan d’intégration et checklist qualité.
- PoC rapides (5–10 jours)
Je construis un prototype utile : benchmarks, coûts GPU, latence et qualité sont documentés ; la transition vers la prod est anticipée.
Livrables types : repo de code & possibilité d'interface graphique.
- Formations & workshops (½–2 jours)
Sessions ciblées pour rendre l’équipe autonome : LLM/RAG, LoRA/QLoRA & quantization, évaluation robuste, privacy-preserving ML. Cas d’usage internes et code de référence.
Livrables types : supports, notebooks, kits de démarrage, guide des bonnes pratiques.
- Veille technologique actionnable
Je filtre les dernières nouveautés et ne retiens que ce qui sert vos objectifs. Chaque livraison inclut une démo, une estimation d’impact et une proposition de test.
Livrables types : mémo mensuel, tableau comparatif (bénéfices/risques/coûts), mini-roadmap d’expérimentations.
Anglais
Bilingue ou natif
Français
Bilingue ou natif
Espagnol
Capacité professionnelle limitée
Accepte de travailler sur site
Paris (jusqu’à 50 km)
Expériences
- Sorbonne Center for Artificial Intelligence (SCAI)Chercheurfévrier 2025 - Aujourd'hui (1 an et 4 mois)Paris, France
Projets en cours
- Confidentialité & frugalité des LLMs
- Conseil scientifique auprès BeinK pour génération d'images
Confidentialité & frugalité des LLMs
Rôle : chercheur lead.Sujet : améliorer la confidentialité des LLMs sans sacrifier les performances tout en diminuant les coûts d'entraînement.Actions et résultats:- conception d'méthode pour amplifier la confidentialité différentielle (DP) via des mécanismes de données manquantes (MCAR/MAR): -18% de coûts d'entraînement avec ε-DP plus faible et réduction marginale des performances:
- expés sur LLM 7B/13B;
- article en cours de rédaction et code à venir en open-source.
Stack : Python; PyTorch; Hugging Face.Mots-clés : LLM; Differential Privacy; Données manquantes; Frugalité.Conseil scientifique auprès BeinK pour génération d'images
Rôles : accompagnement sur les problèmes de R&D sans coder; veille active; recommandations actionnables.Actions et résultats :- stratégies de finetuning : LoRA/QLoRA, choix des couches à adapter, taille de rank, sélection de données, prompt conditioning, contrôle du sur-apprentissage.
- design d'un cadre d’évaluation prêt à l’emploi (datasets tests, prompts, métriques évaluations humaines) et grille de décision (qualité, coûts GPU, latence, safety).
- tech radar synthétique (papers/outils récents) → bénéfices, limites, risques.
- Ecole Polytechnique Fédérale de LausanneChercheur post-doctorantmai 2023 - janvier 2025 (1 an et 8 mois)Lausanne, Switzerland
Projets
- Raisonnement visuel pour les VLMs en conditions réelles
- Tracking en temps réel de matchs de hockey sur glace
Raisonnement visuel pour les VLMs
Rôles : chercheur lead; cadrage scientifique; suivi hebdomadaire avec 2 postdoctorants et 2 chercheurs seniors.Sujet : amélioration du raisonnement multimodal (images + texte) sur des modèles LLM VLM.Actions et résultats:- création d'un benchmark de reasoning pour les VLM: DrivingVQA (https://huggingface.co/datasets/EPFL-DrivingVQA/DrivingVQA): +3.1 pts vs baseline sur DrivingVQA & +6 pts vs baseline sur AOKVQA;
- design d'une nouvelle méthode de raisonnement visuel pour les VLM;
- release open source du code https://github.com/vita-epfl/RIV-CoT et protocole d'évaluation reproductible
Stack : PyTorch; Docker; Hugging Face; W&B; LLaVA-OV; Qwen-VL.Mots clés : VLM; Autonomous Driving; Reasoning; Computer Vision; NLP.Tracking en temps réel de matchs de hockey sur glace
Rôles : conseil R&D auprès de l'entreprise Dartfish; revues techniques mensuelles; recueil des besoins; conception de solutionsSujet : suivi temps réel avec identités persistantes (ré-identification) des joueurs de hockey (occlusions, vitesses, équipements similaires).Actions et résultats:- création jeu de données : 32 vidéos de matchs pros, multi-caméras avec annotations boîtes sur joueurs;
- conception du modèle de tracking : détection YOLOv5 + association OC-SORT + AFLink pour réduire les erreurs de ré-identification (ID switches): +14 pts HOTA vs baseline Dartfish & −50 % d’ID switches vs baseline Dartfish;
- réduction du coût d’annotation : étude de sampling 1/10 conservant des performances comparables (proto & protocole d’éval documentés)
Stack : PyTorch; Docker; YOLO-V5; OC-SORT; AFLink. - TW3 PartnersConsultant expert IACONSEIL & AUDITjanvier 2023 - Aujourd'hui (3 ans et 5 mois)Paris, FranceRôles : pilotage scientifique de missions de conseil; cadrage technique des ingénieurs développeurs; choix des méthodes; validation des résultats.
Projets menés
- Ressources humaines — conception d’un pipeline LLM de matching CV ↔ mission avec RAG (LangChain) : extraction & normalisation des compétences, recherche sémantique, ranking explicable, traçabilité des décisions. Dispositif privacy-preserving (DP-SGD / entraînement fédéré), chiffrement des flux, gestion des accès.
- Fournisseur d’électricité — extraction & classification de rapports d’essais matériaux vers une base structurée : OCR robuste (tableaux/figures), parsing, schéma de données, contrôles qualité, KPIs (précision, rappel) et API d’intégration.
- Opérateur réseau — pipeline d’entraînement confidentiel sur données sensibles : DP-SGD, apprentissage fédéré, chiffrement en transit/au repos, journalisation, protocole d’évaluation utilité ↔ confidentialité (ε, δ) pour conformité.
Stack : Python; PyTorch; Hugging Face; LangChain; OCR (Tesseract); FastAPI; Docker.
Recommandations
Ces profils de freelance correspondent également à vos critères
Agatha Frydrych
Backend Java Software Engineer
4.7
(3)
2
Baptiste Duhen
Fullstack developer
4.6
(4)
5
Amed Hamou
Senior Lead Developer
4
(2)
7
Audrey Champion
Web developer
4.3
(3)
4
Formations
- Doctorat en Intelligence Artificielle (IA)Ecole Nationale des Ponts et Chaussées Paris Tech2022
- Diplôme d'IngénieurÉcole Centrale Paris2017Spécialisation en Mathématiques Appliquées, Machine Learning et Science des Données