Thomas Dravigney

Conception d'un swarm d'agents autonomes à auto-réplication — architecture agentique production-grade de bout en bout.

Agents typés sous PydanticAI (sorties structurées validées, fiabilité des appels LLM), runner asyncio custom avec boucle de message à priorités et mode préemption — gestion explicite du contexte, des reprises sur erreur et des cycles de réflexion autonome (idle / cron).

Exposition de toutes les capacités via serveurs MCP découplés (filesystem, exécution sandboxée, websearch, Telegram, orchestration swarm), architecture fractale où chaque agent n'hérite que des outils explicitement délégués par son parent — garantie d'isolation et de moindre privilège.

Système mémoriel à quatre niveaux inspiré des sciences cognitives (Tulving) — mémoire de travail (context window), épisodique-fil (Redis, TTL 24h), épisodique-swarm (TimescaleDB hypertable, append-only journal) et sémantique (pgvector + recherche textuelle) pour l'injection dynamique de connaissances inter-sessions.

Agents conteneurisés en Docker/Pod Kubernetes, spawning dynamique via MCP deploy (le swarm se déploie lui-même), daemon stateless garantissant la haute disponibilité de l'agent principal, routage par rôle via Redis Sorted Sets avec priorités et préemption — architecture multi-modèles (modèle léger pour le routage / délégation, modèle lourd pour le raisonnement) pour maîtriser le coût d'inférence.

Swarm autonome stable sur des tâches multi-étapes avec délégation hiérarchique, observabilité complète (journal structuré par événement, traces LLM par tool call, métriques de queue), reproductible et redéployable On-Premise.

Conception et déploiement de modèles de vision par ordinateur pour des cas d'usage XR, AR et IoT, sous contraintes de production industrielle : latence, robustesse, hardware embarqué.

Démo des modèles & intégration fluide avec des agents AI pour cas d'usage concrets (AI assistant pour Smart Glasses, live Stable Diffusion, etc.).

Quantization, fine-tuning pour respecter les budgets compute/mémoire du hardware cible tout en améliorant la qualité.

Détection, segmentation, estimation de pose — conçus pour l'amélioration de nos modèles de Deep Learning.

Conteneurisation, scalabilité, versioning, reproductibilité, validation.