Hugo Prevoteau

Développement de systèmes RAG (Retrieval-Augmented Generation) pour automatiser le service client e-commerce avec des LLM

• Conception et déploiement d’une solution RAG (Retrieval-Augmented Generation) basée sur des grands modèles de langage (LLM) afin d’automatiser les réponses aux demandes clients, avec un impact mesurable sur l’efficacité opérationnelle, la précision des réponses et la satisfaction utilisateur.

• Création d’un pipeline de données NLP complet pour l’extraction, le nettoyage, l’indexation et le stockage vectoriel de contenus textuels, garantissant une récupération rapide et pertinente des documents.

• Mise en œuvre d’une architecture modulaire combinant systèmes multi-agents et LLMs pour une gestion intelligente des interactions complexes avec les utilisateurs.

• Recrutement et coordination d’une équipe pluridisciplinaire (Front-End, Full Stack, Machine Learning Engineer) pour assurer la conception, le déploiement et l’amélioration continue des services IA en production.

• Encadrement technique des choix d’architecture et des bonnes pratiques de développement collaboratif sur des applications mêlant intelligence artificielle et interfaces web performantes.

Technologies : LangChain, Pinecone, FastAPI, React, Remix, Heroku

Mots-clés : RAG, LLM, NLP, retrieval-augmented generation, multi-agent systems, chatbot, vector database, Python, FastAPI, LangChain, React, Heroku, e-commerce automation

Expert en reconnaissance vocale (ASR) spécialisée dans les environnements low-resource

• Développement de modèles ASR RNN-T performants dans des contextes à faibles ressources, avec intégration de données hétérogènes (données réelles et synthétiques), ayant permis une réduction relative du WER de 83 %.

• Mise en place d’un cadre d’apprentissage incrémental réduisant les coûts d’entraînement de 75 %, optimisant les itérations en production.

• Spécialisation en adaptation au domaine et à la localisation via la génération de données audio synthétiques, pour des systèmes de reconnaissance vocale par requête vocale (voice search) basés sur des modèles pré-entraînés.

• Optimisation des performances grâce à des techniques avancées de rescoring : first pass shallow fusion, Internal Language Model Estimation (ILME), RescoreBERT, ayant permis une réduction relative de 8 % du WER.

• Maîtrise de la préparation des données, de l’augmentation de données audio, du transfer learning, de l’incremental learning et du fine-tuning de modèles ASR. Expérience dans le data source weight mixing pour améliorer la robustesse et la précision des modèles.

Technologies : RNN-T, Whisper, Kaldi, ESPnet, HuggingFace Transformers, PyTorch, TensorFlow, wav2vec 2.0, BERT, RescoreBERT

Mots-clés : speech recognition, ASR, WER, RNN-T, domain adaptation, language model fusion, synthetic audio, low-resource ASR, incremental learning, fine-tuning, audio data augmentation

Recherche appliquée sur la scalabilité des modèles de MARL (Multi-Agent Reinforcement Learning) avec un nombre d’agents dynamique

• Étude avancée sur la scalabilité des modèles de renforcement multi-agent (MARL) dans des contextes où le nombre d’agents varie à l’inférence, un défi clé pour les applications temps réel (logistique, trafic, robotique).

• Implémentation d’algorithmes collaboratifs state-of-the-art tels que CommNet et BiCNet, ainsi que de plusieurs baselines de référence, afin d’évaluer leur robustesse et leur efficacité dans des environnements multi-agents complexes.

• Conception d’un banc d’essai réaliste basé sur une simulation de trafic routier autonome, permettant de comparer les performances en termes de coordination, de scalabilité et de temps de convergence.

• Présentation des résultats et analyses lors d’une conférence interne, mettant en avant les implications pour la recherche appliquée en intelligence collective distribuée.

Technologies : Ray RLlib, OpenAI Gym, PyTorch, TensorFlow, Docker, AWS (SageMaker, EC2)

Mots-clés : MARL, reinforcement learning, multi-agent systems, CommNet, BiCNet, collaborative AI, simulation trafic, RLlib, Gym, AWS SageMaker, Docker, PyTorch, TensorFlow