AI Engineer

Conception d'un système multi-agent autonome pour analyser les défaillances de pipelines Jenkins en environnement d'entreprise, coordonnant des agents spécialisés (RCA, Investigator, Remediation) à travers un workflow stateful avec auto-correction.

• Construction d'un système multi-agent (LangGraph) réalisant une analyse de cause racine de bout en bout avec coordination conditionnelle et rétroaction intelligente.
• Implémentation de l'intégration MCP (Model Context Protocol) permettant un accès contrôlé aux référentiels internes, fichiers de configuration et sources de données SQL Server.
• Conception d'un mécanisme de parsing de logs à deux niveaux comprimant les logs bruts Jenkins jusqu'à 83 % (en nombre de tokens), associé à une couche de mémoire augmentée par récupération (magasin FAISS de cas d'or) apprenant des incidents passés.
• Ajout d'une boucle de feedback avec intervention humaine et un harness d'évaluation (LLM-as-a-judge, métriques de latence et coût) pour suivre la qualité avant le déploiement.
• Exposition du système via une API REST Flask avec streaming de raisonnement d'agents en temps réel, consommée par des clients Terminal et React.
• Empaquetage de l'ensemble avec Docker pour le déploiement en production.

Développement d'un système IA agentic pour la compréhension de code à l'échelle de l'entreprise et l'analyse contextuelle de pull requests, ancré dans le contexte des tickets Jira.

• Construction d'un système agentic exploitant le framework ReAct pour le raisonnement autonome et l'analyse intelligente de code.
• Intégration du parsing de code basé sur AST, des pipelines RAG, des graphes de connaissances Neo4j, de la base de données vectorielle Chroma DB et LangGraph pour permettre l'analyse autonome de code et le raisonnement contextuel dans les référentiels d'entreprise.

Conception d'un système de monitoring de qualité de données basé sur Python pour comparer les données SQL Server avec des sources externes (GitHub, Jenkins, Jira) en environnement d'ingénierie.

• Développement d'un système de monitoring (Pandas, SQL) comparant les données SQL Server avec des sources externes via SQLAlchemy et APIs REST.
• Implémentation d'un système d'alerte par email SMTP pour les notifications de qualité de données en temps réel.
• Construction d'une architecture modulaire et extensible permettant l'intégration facile de nouvelles sources de données.