Description

Doté depuis mes débuts dans la data d’un fort intérêt pour le traitement du langage naturel (NLP), et passionné par la R&D ainsi que la veille technologique, je me spécialise aujourd’hui dans les modèles de langage (LLM) et leurs applications concrètes en entreprise.

J’accompagne les organisations dans la conception de solutions d’intelligence artificielle capables de simplifier, voire d’automatiser, tout ou partie de leurs processus métier. Mon approche repose sur une conviction forte : la valeur de l’IA se révèle pleinement lorsqu’elle s’appuie sur l’expertise métier de ses utilisateurs. C’est pourquoi je place la co-construction au cœur de chaque mission.

Je travaille notamment sur le développement d’agents IA (autonomes ou orchestrés), la mise en place de systèmes de RAG (Retrieval-Augmented Generation) pour exploiter la donnée interne, ainsi que sur le prompt engineering, véritable passerelle entre le besoin métier et l’intelligence du modèle.

Industry field of expertise

Languages

English
Fluent
Spanish
Basic
French
Native or bilingual

Workplace preferences

Can work on-site

Paris (up to 50km), Reims (up to 50km)

Studeria
Formateur IA
February 2025 - Today (1 year and 4 months)
51100 Reims, France
Réalisation de modules de formation en Python et en SQL .
Accompagnement personnalisé de cadres dans leur prise en main d'outils IA et No code.
Mise en place d'atelier visant à exploiter au maximum l'IA dans différents corps de métiers.
n8n SQL Python No code Pédagogie
BCOME AI Freelance
Data Scientist Consultant
September 2024 - May 2025 (9 months)
51100 Reims, France
Création d'agents IA basés sur des LLMs, capables d'effectuer différentes tâches (calls API, requêtage de BDD etc...) à partir de consignes en langage naturel Intégration de pipelines de QA visant à assurer le bon fonctionnement des agents (Django, Python)
LLM Fast API Agent IA Python (Programming Language) RAG
IRT SystemX
Ingénieur R&D IA/NLP
March 2024 - September 2024 (6 months)
Gif-sur-Yvette, France
Réalisation d’un outil de reformulation LLM-based destiné à accompagner les ingénieurs lors de la rédaction de
cahiers des charges pour du matériel BTP pour centrales nucléaires. Les reformulations devaient respecter un certain nombre de règles classées par
ordre d’importance, en préservant au maximum le sens de l’exigence initiale. La confidentialité des données étant d’une importance capitale,
l’intégralité du projet devait tourner en local, le LLM ainsi que le module de vérification du respect des règles étaient hébergés sur notre machine.

Stack technique : Python, Langchain, FastAPI, Spacy, GitLab, Hugging Face, BERT, Mistral, Ollama, Docker

Etapes clés :

-rédaction d’un protocole de reformulation avec les experts métier

-création de l’outil de vérification du respect des règles composé d’un module NER, de plusieurs modules Spacy et d’un module SBERT

-mise en place d’APIs conteneurisées permettant d’appeler le module de reformulation ainsi que les modèles LLM choisis

-réalisation d’un état de l’art sur la reformulation sous contrainte avec LLM

-optimisation du prompt avec divers techniques faisant l’état de l’art à ce moment-là (Few-shot, Active Prompting, OPRO)

-mise en place d’un protocole d’évaluation par des expert, visant à comparer notre outil à l’outil précédent (transformers T5 entraîné sur un jeu de 50
exemples) ainsi qu’à des reformulations rédigées par des ingénieurs
NLP LLM Recherche et développement Mistral Prompt engineering