Description

L'IA générative produit aujourd'hui deux choses en abondance : des démos qui impressionnent, et des POC qui finissent dans un tiroir. Mon métier, c'est la troisième : des systèmes qui tournent en production, traçables, et auxquels on peut confier de vraies décisions.

Concrètement, je conçois des systèmes RAG pour la due diligence, la veille documentaire ou la rédaction assistée, avec graphes de connaissances et garde-fous anti-hallucination. Je bâtis des architectures agentiques où des agents spécialisés se coordonnent autour d'outils, de mémoires persistantes et d'un routage multi-modèles (LiteLLM, MCP, PydanticAI, LangGraph), avec l'observabilité requise en production. Je mène aussi des audits IA et des études de faisabilité, et j'industrialise les prototypes bloqués au stade POC.

Je m'appuie sur 25 ans d'ingénierie logicielle en freelance, qui m'ont forgé une double compétence : une expertise pointue sur les LLM (fine-tuning, sorties structurées, évaluation, RAG avancé), et la polyvalence d'un développeur senior à l'aise sur toute la chaîne, du backend au frontend, en passant par la data, le DevOps et le pilotage projet.

En parallèle, je mène une recherche active en interfaces cerveau-machine et développe de l'outillage open-source pour la neuroscience. Mes travaux ont donné lieu à des publications en revues à comité de lecture, dont certains résultats font avancer l'état de l'art sur des problèmes ouverts. Ce terrain exige du machine learning temps réel sur des signaux bruités, avec des contraintes de latence sévères. Une rigueur que je remets ensuite au service de mes clients.

À l'heure où le code devient une commodité, la valeur se déplace vers l'ingénieur qui tient toute la chaîne, repère les vrais problèmes avant qu'ils ne coûtent cher, et sait quand l'IA est la bonne réponse comme quand elle ne l'est pas. Si c'est ce que vous cherchez, parlons-en : en remote, en français comme en anglais.

Industry field of expertise

Languages

English
Fluent
French
Native or bilingual

Workplace preferences

Remote only

Primarily works remotely

Confidentiel
Architecte IA
TRANSPORTATION
October 2025 - January 2026 (3 months)
Paris, France
Système RAG de due diligence
Conception et développement d'un système RAG (Retrieval-Augmented Generation) dédié à l'analyse automatisée de larges corpus documentaires (data rooms, rapports financiers, contrats juridiques) pour des opérations de due diligence M&A.

Architecture mise en œuvre
Pipeline d'ingestion multi-format (PDF, DOCX, XLSX, images) avec OCR, chunking sémantique et extraction de métadonnées structurées
Indexation hybride sur LlamaIndex Cloud / LightRAG combinant recherche vectorielle dense et knowledge graph pour la résolution d'entités et le raisonnement multi-hop
Citation enforcement assurant la traçabilité de chaque réponse vers ses sources (page, paragraphe, document d'origine)
Détection d'hallucinations par vérification post-génération (NLI, métriques RAGAS) et politique cite-or-abstain
Orchestration agentique pour les requêtes complexes nécessitant décomposition et synthèse cross-documents
Livrables
Produit pleinement fonctionnel livré sous forme de stack Docker Compose prête au déploiement, architecture technique détaillée, scénarios de volumétrie (coûts d'indexation, inférence, stockage) et documentation d'intégration.

Stack : Python, FastAPI, LlamaIndex Cloud, LightRAG, PostgreSQL (pgvector), Neo4j, Redis, LLMs & embeddings, OCR, Docker Compose.

Mots-clés : RAG, due diligence, knowledge graph, GraphRAG, hallucination detection, traçabilité des sources, LLM, IA générative, NLP, traitement documentaire multimodal.
intelligence artificielle RAG Python Knowledge graph Vector database
Multiples clients
Consultant IT senior : IA/ML, Neurotechnologies, Full-Stack & Sécurité
December 1999 - Today (26 years and 5 months)
Plus de 25 ans d'expérience en freelance, couvrant un large éventail de disciplines IT, pour des clients allant de grandes institutions à des startups et laboratoires de recherche.

IA & Machine Learning — Data engineering, apprentissage supervisé/non supervisé/par renforcement, deep learning, séries temporelles, graphes de connaissances, embeddings, recherche vectorielle, RAG, intégration et finetuning de LLM, IA agentique, évaluation, guardrails. Frameworks : Pydantic AI, DSPy, Smolagents, LangChain/LangGraph. Clients : UNESCO, ISAE-SUPAERO, Inclusive Brains, TTH, Splace.

Interfaces Cerveau-Machine & Neurotechnologies — Acquisition et traitement temps réel EEG/ECG/PPG/EDA, DSP, pipelines ML, neurofeedback, imagerie motrice, potentiels évoqués, synchronisation sub-milliseconde. Auteur de Timeflux (open source) et Neurogate (hardware). Lauréat de l'IEEE International BCI Competition. Clients : ISAE-SUPAERO, Tampere University, Banaras Hindu University, NeuroTechX, IRIS Intuition, Conscious Labs.

Développement Web — Back-end & front-end en Python, PHP, JavaScript, SQL/NoSQL ; APIs REST & JSON-RPC ; FastAPI, Flask, Vue.js, Angular, Ionic ; Drupal, WordPress, WooCommerce ; applis mobiles hybrides ; SEO ; web sémantique. Clients : UNESCO, Groupe Pasteur Mutualité, Campus France, Dassault Systèmes, EDF R&D, M6 Web, Fortis Banque, Région Île-de-France.

Sécurité Informatique — Tests de vulnérabilité et d'intrusion, audits de code, sécurité système et réseau, ingénierie sociale, détection d'intrusion. Clients : BPCE, École Militaire, Compagnie des Alpes, Clear Channel.

Administration Système & Réseau — LAMP/LEMP, Docker, virtualisation, CI/CD, durcissement de serveurs, DNS, politiques de sauvegarde.

Télécom — Architecture VoIP, automatisation d'appels et de SMS, SVI, intégration CRM (Salesforce, Zoho, Sugar). Clients : Callr, SAGAC, Quotatis.
Développement web Cybersécurité Neurotechnologies Machine learning intelligence artificielle
Timeflux
Ingénieur en neurosciences
BIOTECH
January 2017 - Today (9 years and 5 months)
Je suis l'auteur de Timeflux, un framework open-source en Python pour l'acquisition et le traitement temps réel de biosignaux, publié dans les actes de la 8th International BCI Conference, Graz, 2019. Concevoir et maintenir un tel projet exige une expertise transverse : architecture logicielle modulaire (graphes d'exécution, système de plugins), programmation asynchrone bas-latence, intégration matérielle (drivers EEG, ECG, EDA, eye-tracking), protocoles temps réel (LSL, ZeroMQ, OSC), neurosciences appliquées (paradigmes BCI, neurophysiologie de l'EEG), traitement du signal (SciPy, Pandas, Xarray), apprentissage automatique (scikit-learn, géométrie riemannienne), conception d'interfaces utilisateur (web, présentation de stimuli) et animation d'une communauté open-source.

Timeflux est utilisé en production par des entreprises de neurotechnologie comme Inclusive Brains, Conscious Labs et Open Mind Innovation, ainsi que par des institutions de recherche internationales telles que l'Institut Supérieur de l'Aéronautique et de l'Espace, Lund University (framework BCI-HIL), Tampere University et le GIPSA-lab.

Le framework a permis plusieurs résultats dépassant l'état de l'art. En 2022, le pipeline ASAP, fondé sur l'accumulation bayésienne de probabilités riemanniennes, a surpassé significativement les méthodes standards de classification P300 sur datasets publics. En 2024, le paradigme StAR a porté la précision en cVEP de 65,6 % à 96,3 % avec 88 s de calibration, et atteint 97,5 % en ligne sur un EEG sec à 8 électrodes, ouvrant la voie à des BCI exploitables hors laboratoire.

J'ai par ailleurs donné plus de 50 conférences et ateliers sur ces sujets, en contextes académiques comme industriels.
Machine learning Neurosciences Python EEG Traitement du signal