Description

Ingénieur IA et Data Scientist avec plus de 5 ans d’expérience en IA/ML et 2 ans en IA Générative, j’accompagne entreprises et équipes R&D dans la conception, le développement et le déploiement de solutions d’intelligence artificielle sur-mesure.

## Expertises principales ##

Fine-tuning de LLM, architectures RAG, systèmes multi-agents, Data Engineering et pipelines ML.

## Technos ##

Python, Pytorch, Hugging Face, LangChain, LangGraph, FastAPI, Streamlit, Docker, Qdrant, FAISS, AWS-Sagemaker

## Approche ##

Allier rigueur technique et esprit d’innovation pour transformer des idées complexes en applications IA fiables, scalables et exploitables en production.

## Types de projets réalisés ##

Développement d’applications RAG spécialisées (médical, comptabilité, assurance, éducation canine).
Création de systèmes multi-agents pour l’automatisation d’analyses complexes (OCR, FEC, documents cliniques).
Mise en place de pipelines de détection d’anomalies (fraude assurance, finance).
Recherche appliquée : nouvelles méthodes de prédiction en biodiversité marine (+30% de performance vs SOTA).

## Ma valeur ajoutée ##

Je maîtrise toute la chaîne de valeur IA – du design d’architecture au déploiement en production – en gardant toujours en tête vos enjeux business, la fiabilité des résultats et la simplicité d’usage pour vos équipes.

Languages

French
Native or bilingual
English
Fluent

Workplace preferences

Can work on-site

Montpellier (up to 50km)

Inria
Ingénieur de Recherche en Deep Learning & LLM
PUBLIC SECTOR
May 2023 - Today (3 years and 1 month)
Montpellier, France
Situation : Développement d'une approche novatrice pour prédire les assemblages d'espèces de poissons en utilisant l'IA Générative (LLMs).

Tâche : Transformer des données continues en formulation interprétable par un LLM pour prévoir les assemblages de poissons.

Actions :
- Réalisé une revue de littérature
- Construit un pipeline ML de référence (XGBoost)
- Conçu un jeu de données original Fine-tuné des modèles LLM (GPT-2, Llama2) - Optimisé les hyperparamètres
- Comparé les performances
- Rédigé un article scientifique

Résultat : Méthode prédictive révolutionnaire atteignant 30% de performances supérieures aux approches traditionnelles. Méthodologie novatrice modélisant intrinsèquement les interactions inter-espèces.

Stack : Python, Hugging Face, PyTorch, Scikit-learn, XGBoost, Dash,Matplotlib, Seaborn, Geopandas, Git/Github
Deep Learning Hugging Face Machine learning LLM NLP
Mutuelle Santé
Data Scientist & Ingénieur de Données pour Détection d'Anomalies
HEALTH AND WELLNESS
January 2023 - August 2024 (1 year and 7 months)
Montpellier, France
Situation : Développement d'un système hybride de détection d'anomalies pour les remboursements de soins de santé sur un réseau de 10 mutuelles (2,8M bénéficiaires).

Tâche : Concevoir et implémenter une architecture complète de détection d'anomalies combinant méthodes statistiques traditionnelles et IA Générative (LLMs).

Actions :
- Conçu un pipeline ETL Développé des features temporelles multi-échelles
- Implémenté une approche ML ensemble (Random Forest, XGBoost, SVM)
- Déployé un pipeline d'inférence

Résultat : Système de détection d'anomalies haute performance atteignant Recall = 0,40 et Précision = 0,55, aux solutions basées sur règles.

Stack : Python, DuckDB, Polars, Pandas, Scikit-learn, NumPy, Matplolib, Seaborn, XGBoost, PyTorch, Jupyter, Git/Github, SQL avancé

SQL Polars XGBoost Anomaly Detection Feature Engineering
Fintech
Ingénieur IA & Data Scientist
BANKING AND INSURANCE
August 2024 - February 2025 (6 months)
Montpellier, France
Situation : Développement d'une solution innovante d'analyse automatisée de FEC (Fichiers d'Écritures Comptables), combinant agents IA conversationnels et génération automatique de code Python.

Tâche : Concevoir et implémenter un système multi-agents alimenté par des LLMs pour analyser automatiquement des données comptables et générer du code Python sur mesure.

Actions :
- Conçu une architecture multi-agents
- Construit un moteur de génération de code Implémenté un système RAG
- Créé un sandbox sécurisé
- Développé un backend FastAPI avec interface Streamlit

Résultat : POC fonctionnel réduisant le temps d'analyse de demi-journée à quelques minutes, permettant aux non-développeurs de générer du code d'analyse complexe via langage naturel.

Stack : Python, FastAPI, Streamlit, LangChain, LangGraph, LangSmith, API OpenAI, ChromaDB, FAISS, Hugging Face, Sentence Transformers, Pandas, NumPy, Docker, Git/GitHub, Pydantic
Langchain LangGraph ChromaDB RAG AI Agents