AI Engineer, Agentic Systems | Founding Product Architect

A intégré une plateforme de rédaction scientifique native IA construite autour de flux de co-authoring humain-IA basés sur des agents pour concevoir l'architecture IA complète du produit.

• A conçu des agents exploitant les outils avec des boucles de drafting et de révision chaînées par prompts, utilisant des résultats structurés pour augmenter le déterminisme et l'ancrage des citations.
• A défini l'architecture de récupération, combinant la recherche sémantique hybride sur des embeddings vectoriels avec l'ancrage de documents structurés, réduisant les hallucinations lors de la génération de longs manuscrits.
• A possédé l'architecture complète de la plateforme full-stack, unifiant la collaboration en temps réel, l'orchestration des agents et l'état des documents.

A fondé et conçu l'architecture d'une plateforme ERP multi-locataire, dotée d'IA et destinée aux entreprises de construction, en maîtrisant le système de bout en bout, du modèle de domaine à l'UX côté client.

• A défini les modèles de données orientés domaine couvrant l'approvisionnement, l'exécution de projet, la finance et la gestion de la main-d'œuvre sur un schéma Supabase.
• A construit une infrastructure de collaboration en temps réel supportant les opérations concurrentes sur le terrain et au bureau, centralisant la planification et l'allocation des ressources pour réduire l'effort de coordination manuelle.
• A établi CI/CD, déploiement et observabilité sur Next.js et Vercel, validant la pertinence du produit-marché par des ventes d'entreprise menées par le fondateur et des démarchages froids directs.

A mené un programme de recherche en apprentissage par renforcement approfondi (DRL) axé sur la prise de décision séquentielle multi-étapes au sein du laboratoire de recherche en systèmes complexes en informatique.

• A dirigé un programme de politique en cascade utilisant PPO, TRPO et A2C, portant le succès des tâches de 67 % à 84 % sur 100 scénarios d'évaluation dans un travail publié et évalué par les pairs.
• A introduit un cadre d'évaluation mesurant la qualité des politiques, la robustesse sous perturbation antagoniste et la stabilité de convergence, adopté comme pipeline d'étalonnage standard du laboratoire.
• A établi des standards MLOps end-to-end sur PyTorch, Weights and Biases et MLflow, couvrant le suivi des expériences, les exécutions reproductibles et l'évaluation automatisée sur des centaines de travaux d'entraînement.
• A piloté la reproductibilité et la science ouverte : publication dans PeerJ Computer Science (doi:10.7717/peerj-cs.3358) et diffusion d'artefacts open-source (osf.io/gcw7x).
• A encadré des chercheurs juniors sur l'implémentation du RL et l'expérimentation reproductible, co-supervisant deux projets de master.

A conçu l'architecture IA complète d'un agent conversationnel piloté par LLM pour l'évaluation en temps réel de la maîtrise des langues, avec dialogue multi-tour adaptatif et avec état.

• A conçu un pipeline d'inférence en streaming coordonnant ASR, le raisonnement LLM et TTS avec une latence d'interaction sub-seconde pour une interaction vocale end-to-end.
• A établi un harnais d'évaluation LLM-as-judge évaluant la cohérence de la conversation, l'exactitude contextuelle et l'engagement pour contrôler les versions et détecter les régressions.
• A piloté les contrôles de coût basés sur l'utilisation, réduisant le coût d'inférence par session par le routage des modèles et l'ajustement de la stratégie de prompts tout en maintenant la qualité.

A construit des flux multi-agents et des services Python personnalisés pour une plateforme assistante virtuelle SaaS, réduisant la génération de rapports de plusieurs heures à quelques minutes.

• A développé des workflows multi-agents avec CrewAI et services Python réduisant le temps de génération de rapports par la récupération, la planification et l'exécution structurée des outils.
• A livré la solution assistante virtuelle SaaS end-to-end, automatisant la planification, la récupération et le reporting de routine pour les premiers clients.

A dirigé une petite équipe multi-fonctionnelle pour livrer un système de détection de spam NLP (BERT fine-tuné) déployé en tant que complément Google Workspace.

• A possédé la préparation des données, le fine-tuning du modèle et l'intégration en production de bout en bout, définissant les métriques d'évaluation et les protocoles de test hold-out pour prévenir les régressions avant la version.

A livré des engagements NLP et LLM pour des clients SaaS et edtech, déployant des pipelines ML end-to-end sur FastAPI, Docker et GCP.

• A automatisé les tâches légales par le traitement des documents, développé des chatbots contextuels et implémenté la récupération d'informations pour divers clients SaaS et edtech.
• A déployé les pipelines ML sur FastAPI, Docker et GCP.