Jerome Tam

Développeur de Produits IA – Application basée sur les LLM

https://apps.apple.com/us/app/recipeprep/id6743941905

Projet solo mené de A à Z, né de ma passion pour l’intelligence artificielle et mon envie de proposer une application concrète, utile et accessible à tous. RecipePrep permet de générer des recettes personnalisées en fonction des ingrédients disponibles et des objectifs nutritionnels de l’utilisateur, grâce à un LLM embarqué.

-Préparation des données pour l'entraînement du modèle (nettoyage, structuration, enrichissement).

-Entraînement d’un LLM open source avec des techniques d’optimisation (fine-tuning, quantization) adaptées aux contraintes mobiles.

-Développement complet de l’application avec SwiftUI (iOS) pour le frontend, et Python/AWS pour le backend.

-Déploiement sur AWS avec une infrastructure scalable, fiable et sécurisée.

-Optimisation de l’utilisation du GPU, réduisant de 50 % la consommation énergétique.

-Intégration d’un système d’abonnement via StoreKit, onboarding utilisateur, calculs nutritionnels et gestion de profil.

Ce projet m’a permis de mobiliser l’ensemble de mes compétences en IA, développement fullstack, déploiement cloud et design produit, tout en répondant à un véritable besoin utilisateur. Une expérience complète, enrichissante, et totalement autonome, qui reflète mon envie constante d’apprendre et de créer avec sens.

Analyste Data & Machine Learning – Prédiction de Portefeuille

Objectif : Développer un modèle de prévision pour optimiser la gestion d’un portefeuille financier.

Réalisations :

-Collecte et traitement de données boursières (actions tech : Apple, Microsoft).

-Analyse exploratoire et calcul d’indicateurs financiers (rendement, volatilité, Sharpe Ratio, VaR...).

-Création de modèles de machine learning (XGBoost, LSTM) pour anticiper les tendances à court et long terme.

-Optimisation de la performance du modèle via feature engineering et tuning.

-Résultat : Gain de précision de 20 % sur les prévisions grâce à une approche rigoureuse et itérative.

Livrables :

-Modèle prédictif réutilisable.

-Dashboard interactif (optionnel).

-Rapport d’analyse détaillé avec recommandations.

Deep Learning appliqué aux Graphes Temporels — Modélisation Théorique et Prédiction d’Évolution

Mission : Conception et développement d’un modèle de prédiction sur données graphiques dynamiques

- Recherche avancée sur les techniques de prédiction basées sur des graphes dynamiques (GCN, GAT, Temporal GNN, etc.), avec un focus sur les structures évolutives dans le temps.

- Développement d’un modèle théorique original, intégrant la dimension temporelle dans les architectures de Graph Neural Networks, pour capturer l’évolution d’un graphe au fil du temps.

- Cas d’usage ciblé : prédiction de l’état futur d’un graphe à un instant donné, en prenant en compte son historique et ses dynamiques structurelles.

- Prototypage complet : conception d’une pipeline de traitement de données temporelles (séries de graphes), entraînement de modèles de GNN temporels, et évaluation sur des jeux de données simulés ou réels.

- Résultat : une approche innovante combinant graphes et séries temporelles, permettant de modéliser des interactions complexes dans le temps et d’anticiper les évolutions du système représenté.