Théo Martin

Tech Lead de l'équipe Core AI d'Akeneo. Conception, déploiement et exploitation de la plateforme IA interne utilisée par toutes les équipes produit pour 900+ retailers enterprise.

- Architecturé et déployé la plateforme d'inférence IA en production : 30M+ attributs produit générés par LLM/mois, 99.999% de disponibilité, p95 sous 150ms

- Conçu et livré le Data Architect Agent (DAA), un système agentique compressant l'onboarding catalogue de plusieurs mois à quelques jours pour les retailers enterprise

- Piloté la couche d'orchestration multi-agents en production (Google ADK + LiteLLM proxy) : workflows autonomes d'approbation et d'enrichissement catalogue avec gates humaines, héritage JWT/ACL et streaming SSE, réduction estimée de 60%+ des cycles d'approbation manuels

- Conçu le routage multi-modèles zero-code avec failover automatique (GPT, Claude, Gemini, Mistral) : centralisation de tout le trafic LLM via un proxy unique, réduction de 40% des coûts d'inférence par cascading et caching, 70% de réduction du volume de logs

- Référent technique principal sur 5 équipes transverses (produit, engineering, design, marketing, sécurité). Gouvernance IA complète : monitoring du drift, contrôle des hallucinations, audit trails, guardrails données personnelles et conformité

Stack : Python, GCP (Vertex AI, BigQuery, CloudRun), FastAPI, LiteLLM, Google ADK, Docker, Kubernetes, LangChain,

Premier ingénieur ML de la startup. Travail technique ayant directement contribué à l'acquisition par Akeneo. Participation active à la due diligence technique (architecture, pipelines, infra ML).

- Conçu et opéré le pipeline MLOps complet sur GCP (ingestion, BigQuery, entraînement, serving) pour des groupes retail enterprise (Rexel) : 90%+ de précision d'extraction, surpassant l'équipe data science interne du client, millions de SKUs traités/mois sans downtime

- Optimisé des modèles de langage (FLAN-T5, pré-ChatGPT) pour la catégorisation produit sur des catalogues industriels complexes : 97% de précision, 40% de réduction mémoire par quantization et batching custom, 10x d'accélération GPU, généralisation zero-shot quasi parfaite sur de nouvelles familles catalogue

- Mis en place l'observabilité production et les boucles de réentraînement automatique avec détection de drift : 85% d'incidents de dégradation en moins, 35% de réduction des coûts d'inférence

Stack : Python, PyTorch, Transformers, HuggingFace, Docker, GCP (BigQuery, Vertex AI)

Cours de Master en Intelligence Artificielle :

- Introduction au Machine Learning et fonctionnement des LLMs

- Panorama des métiers de l'IA et cas pratiques en entreprise