Description

Je conçois et déploie des solutions d'intelligence artificielle adaptées aux objectifs spécifiques de mes clients des petites aux grandes entreprises et startup. Mon approche est pragmatique et orientée résultats.

Vous êtes une entreprise qui cherche à développer ses capacités IA, à exploiter ses données pour des décisions plus éclairées, ou à intégrer un expert en Data Science dans vos équipes ?

Je propose une expertise opérationnelle en Data Science et en IA, pour des entreprises de toutes tailles qui cherchent des résultats concrets et mesurables.

Ce que j’apporte :

- Data Science : Analyses de données précises, modèles de Machine Learning et Deep Learning, adaptés à vos besoins.

- Déploiement de solutions IA : Conception, mise en production, intégration API, et déploiement dans le Cloud ou dans votre infrastructure avec une solide maîtrise des pratiques d'industrialisation.

- Conseil stratégique en IA : Cadrage de projets et conseil en évolution produit, pour maximiser votre ROI.

Pourquoi collaborer avec moi ?

Plus d'une dizaine de projets déjà réalisés avec 90% des projets passés de l'état de POC à la production.

Résultats concrets : Solutions IA fonctionnelles et performantes, mises en place avec succès pour répondre à des besoins spécifiques. (API, RAGs, ChatBot, Forecasting, Pipeline MLOps)

Approche pragmatique : Une approche adaptée à la maturité de vos données. Chaque projet est conçu pour délivrer des résultats tangibles.

Formation: Ingénieur généraliste Arts et Métiers, formé au machine Learning par Stanford, je dispose de toutes les bases nécessaires pour m’adapter à votre problématique quelque soit votre secteur d’activité.

Mots clés: Python, GCP, AWS, Azure, Deep learning, Machine Learning, PyTorch, SQL, vector databases, CI/CD, MLFlow, WanB, Redis, PostgresSQL, Django, Docker, Kubernetes, Terraform, Ansible, React

Domaines d’expertise

Langues

Anglais
Capacité professionnelle complète
Français
Bilingue ou natif
Italien
Capacité professionnelle limitée

Préférences en matière de lieu de travail

En télétravail uniquement

Travaille majoritairement à distance

Sorbonne
Data Scientist | Machine Learning Engineer
SECTEUR PUBLIC & COLLECTIVITÉS
juillet 2024 - novembre 2024 (4 mois)
Développement d'un RAG on-premise pour le référencement de chercheurs via un chatBot.

- Déploiement d'un service LLM sur l'infrastructure du client via nvidia docker
- Développement du RAG

LLM, Mistral, Langchain
LLMs Docker Streamlit Python PostgreSQL Vector database
Start-up Assurance
Machine Learning Engineer
mai 2024 - juillet 2024 (2 mois)
Développement d'un RAG pour une start-up d'assurance afin de répondre aux questions des utilisateurs assurés en se basant sur leurs documents ‣ Collecte des exigences du client et conseil sur la faisabilité et les objectifs ‣ Création d'un algorithme Python basé sur les spécifications du client pour répondre aux différents cas utilisateurs ‣ Mise en place de l'infrastructure Azure pour le projet (MsEntra ID, groupes de ressources Segments, Container Registry, Azure DB pour PostgreSQL, machines virtuelles), gestion de l'authentification pour le backend et le frontend (bases de données et connexions serveur) ‣ Développement et déploiement d'une API sécurisée utilisant FastAPI et Traefik ‣ Génération d'embeddings et création du schéma de la base de données vectorielle (Postgres + PGVector)
Start-up de services financiers
Machine Learning Engineer
BANQUE & ASSURANCES
février 2024 - avril 2024 (2 mois)
Anonymisation des données financières confidentielles pour une salle de données dédiée aux transactions de fusions et acquisitions (M&A).

‣ Développement et déploiement d'une API sécurisée utilisant FastAPI et docker-compose
‣ Benchmarking des LLM pour les tâches de reconnaissance d'entités nommées (NER)
‣ Implémentation d'algorithmes utilisant une combinaison de détection par expressions régulières, de modèles NER et de validation de code (identifiants bancaires) pour chaque entité
‣ Mise en place de CI/CD sur Github Action
‣ Création d'un jeu de données pour les entités cibles et création d'un pipeline d'évaluation
‣ Optimisation des modèles en utilisant la quantification et l'accélération GPU
Programmation Python FastAPI Github Actions CICD Transformers LLMs Named entity recognition ( NER ) Regex GPU Benchmark docker-compose Docker