Senior Machine Learning & AI Engineer

Conception et évolution de plateformes AI/ML Cloud, industrialisation de modèles, de services GenAI et d'agents IA au sein de Thales Group. Intervention sur l'architecture, le model serving, l'observabilité et l'exploitation dans des environnements critiques, sécurisés et hautement disponibles.

• A conçu des plateformes AI / ML / MLOps / LLMOps pour entraîner, déployer et superviser les modèles.
• A défini les composants de serving, d'observabilité et de sécurité, tout en standardisant le versionnement et les pipelines.
• A intégré des modèles GPT, Claude, Mistral, Llama et Gemini via Amazon Bedrock et Azure OpenAI en adaptant les prompts et le contexte selon les contraintes de qualité, de latence et de coût.
• A développé des chaînes d'ingestion documentaire, de chunking, d'embeddings, de retrieval et de construction du contexte pour des architectures RAG basées sur LangChain et LlamaIndex.
• A mis en œuvre la recherche vectorielle et hybride, l'indexation des contenus et l'ajustement du retrieval avec Qdrant, pgvector et Elasticsearch.
• A développé des workflows agentiques avec état, mémoire et routage via LangGraph, MCP et Tool Calling.
• A connecté les agents aux API, bases de données et outils métiers, tout en gérant les erreurs, retries et timeouts.
• A adapté des modèles préentraînés et mis en œuvre un fine-tuning léger sous PyTorch et Hugging Face selon les besoins des applications IA.
• A construit des jeux d'évaluation et de tests de non-régression avec Langfuse, RAGAS et DeepEval pour suivre la pertinence, la factualité, les hallucinations, la robustesse et la latence.
• A exposé les services IA via API REST avec FastAPI, Pydantic et automatisé les tests des composants Python avec pytest.
• A packagé et orchestré les services d'inférence sous Docker, Kubernetes, OpenShift et KServe, en gérant l'allocation CPU/GPU, l'isolation des workloads, l'autoscaling et la haute disponibilité.
• A automatisé les infrastructures, tests, builds et déploiements avec Terraform, Ansible, Helm, GitLab CI/CD et Argo CD, tout en standardisant les environnements.
• A supervisé les API, modèles et workflows IA via Prometheus, Grafana et OpenTelemetry avec la mise en place d'alerting sur les erreurs, la disponibilité, la latence et la consommation des ressources.
• A sécurisé les accès, les secrets, l'isolation des workloads et la protection contre les injections de prompt et les fuites de données via IAM, RBAC, Vault et Guardrails.

Industrialisation de solutions Machine Learning sur AWS et Kubernetes chez Renault Digital, en prenant en charge tout le cycle des modèles, depuis la préparation des données et l'entraînement jusqu'au déploiement, au monitoring et au réentraînement, en collaboration avec les équipes Data Science et plateforme.

• A conçu et entraîné des modèles de classification et de prédiction en réalisant du feature engineering, de la sélection de modèles et de l'optimisation d'hyperparamètres avec Python, scikit-learn et PyTorch.
• A développé des traitements Deep Learning, validé les modèles et comparé les performances avant industrialisation avec TensorFlow et Keras.
• A préparé et transformé des datasets, intégré des sources multiples et exécuté des traitements distribués pour alimenter les pipelines ML avec SQL, Spark et PySpark.
• A structuré le code d'entraînement et d'inférence en composants réutilisables, géré les dépendances et automatisé les tests avec Python et pytest.
• A suivi les expérimentations, versionné les données et les modèles, comparé les métriques et géré le Model Registry avec MLflow et DVC.
• A automatisé les pipelines de préparation, training, validation et retraining avec gestion des dépendances et reprises sur erreur sous Kubeflow et Apache Airflow.
• A industrialisé les étapes d'entraînement et de déploiement des modèles sur AWS SageMaker.
• A exposé les modèles via API REST et déployé des services d'inférence temps réel et batch avec gestion des versions via FastAPI et KServe.
• A optimisé les workloads GPU par profiling, batching et mixed precision sous CUDA, en ajustant les ressources selon les contraintes d'entraînement et d'inférence.
• A suivi la dérive des données et des modèles, les performances et la latence avec Evidently et Model Monitoring, tout en configurant des alertes et déclenchant le réentraînement.
• A packagé et déployé les services ML sous Docker, Kubernetes, EKS et Helm, en gérant les ressources, l'autoscaling et la disponibilité des workloads.
• A automatisé les environnements et les chaînes de livraison intégrant tests, contrôles qualité, builds et déploiements ML avec Terraform, Ansible, GitLab CI/CD, Jenkins et Argo CD.
• A suivi les exécutions et les services avec Prometheus, Grafana et CloudWatch pour diagnostiquer les incidents, réaliser les retours arrière et documenter les procédures d'exploitation.

Participation à l'industrialisation et à l'exploitation de workloads Data et ML en Cloud hybride AWS, Azure, GCP et privé chez Orange Business, en automatisant les environnements et les déploiements, l'orchestration Kubernetes et la supervision des modèles en production.

• A industrialisé les composants ML, suivi les expérimentations et versionné les modèles en collaboration avec les équipes Data Science en utilisant Python et MLflow.
• A automatisé les traitements de préparation des données et d'entraînement, planifié les exécutions et géré les dépendances à l'aide d'Airflow et de pipelines ML.
• A intégré et exploité des workloads ML en Cloud hybride sur AWS, Azure et GCP, en administrant le compute, le stockage et les accès.
• A conteneurisé les services d'inférence, configuré les workloads et géré les ressources nécessaires à leur exploitation avec Docker et Kubernetes.
• A automatisé les environnements et les pipelines de tests, de packaging et de déploiement des services ML via Terraform, Ansible et Jenkins.
• A mis en place le monitoring des services et des ressources, suivi les temps de réponse et configuré les alertes avec Prometheus et Grafana.
• A assuré le support de production en réalisant le diagnostic des incidents, l'analyse des logs, la reprise des traitements et la rédaction des procédures d'exploitation.

Développement de composants Python et de premiers modèles ML sur AWS au sein d'Abinnov, tout en contribuant à la préparation des données, à l'intégration applicative et à la mise en production avec les équipes techniques.

• A développé des scripts de préparation des données, de nettoyage, de transformation et des contrôles de cohérence des datasets avec Python, pandas, NumPy et SQL.
• A participé à l'entraînement et à l'évaluation de premiers modèles de classification et de prédiction, ainsi qu'à la comparaison des résultats avec scikit-learn.
• A intégré les modèles dans des services applicatifs via des API REST Python et contribué aux tests des composants de préparation et d'inférence.
• A packagé les composants Python et participé à leur déploiement dans des environnements Cloud reproductibles sur AWS et Docker.
• A assuré le versionnement du code avec Git et contribué aux pipelines CI/CD et aux déploiements en lien avec l'équipe DevOps sous Jenkins, Kubernetes et Linux.