AI Engineer

A intégré l'équipe d'INTM Groupe en tant qu'ingénieur IA indépendant afin de concevoir et d'exécuter des protocoles d'évaluation de la fiabilité des agents autonomes basés sur des LLM.

• A conçu et exécuté un benchmark d'évaluation robuste comprenant 60 tâches contradictoires réparties sur 6 catégories de défaillance.
• A testé la fiabilité d'un agent LLM autonome à travers des scénarios de génération de tâches complexes et de simulation d'attaques ciblées.
• A annoté manuellement l'intégralité des tâches générées afin de constituer un jeu de données de référence fiable.
• A élaboré une taxonomie complète des modes de défaillance des modèles de langage évalués.
• A appliqué un contrôle qualité statistique rigoureux en mettant en œuvre des méthodes de codage ouvert et de validation inter-juges.
• A mesuré et documenté les taux de réussite des modèles en calculant des intervalles de confiance à 95% via les méthodes de Wilson et de bootstrap.
• A validé les performances d'un système d'évaluation automatisé par rapport aux annotations humaines à l'aide de l'indice Kappa de Cohen.
• A quantifié précisément le biais de notation inhérent au processus d'évaluation automatisée par LLM.
• A rédigé et publié l'intégralité du protocole d'évaluation, du code source et des données sous la forme d'une étude open source entièrement reproductible.

A mené une mission d'ingénierie IA freelance pour analyser et optimiser les coûts opérationnels ainsi que la consommation de jetons des agents IA web autonomes.

• A instrumenté un agent web autonome afin de disséquer le coût par tâche, en mesurant la consommation de jetons et les étapes d'exécution.
• A évalué les performances et les coûts sur 5 niveaux de complexité distincts pour identifier les goulots d'étranglement financiers.
• A identifié que 93% de la consommation totale de jetons provenait de l'envoi de captures d'écran au modèle de vision à chaque étape, et non de la phase de raisonnement de l'agent.
• A localisé précisément l'origine des dérives de coûts afin de proposer des stratégies d'optimisation ciblées.
• A démontré statistiquement que le coût d'exécution est directement corrélé au nombre d'étapes de navigation et à la densité visuelle des pages consultées.
• A réfuté l'hypothèse selon laquelle les coûts étaient principalement induits par la complexité abstraite de la tâche demandée.
• A identifié et documenté un mode de défaillance silencieux lié au démarrage du navigateur automatisé.
• A synthétisé les conclusions techniques et financières pour orienter les décisions d'architecture futures.

A conçu et déployé de bout en bout une plateforme d'apprentissage pédagogique alimentée par l'intelligence artificielle pour le compte d'un client.

• A conçu l'architecture globale d'une plateforme pédagogique basée sur le grand modèle de langage GPT-4o.
• A piloté le projet depuis la phase de preuve de concept jusqu'à la mise en production finale.
• A développé une application de génération augmentée par récupération adaptative en utilisant le framework LangChain.
• A intégré des mécanismes d'appel d'outils et des pipelines d'extraction d'informations structurées pour fiabiliser les réponses générées.
• A conçu des modules automatisés pour générer des diagnostics de compétences, des parcours d'apprentissage personnalisés, des quiz et des rapports détaillés.
• A développé l'intégralité de la pile applicative en s'appuyant sur les frameworks FastAPI pour le back-end et Streamlit pour le front-end.
• A implémenté un pipeline complet d'inférence de modèles de langage.
• A intégré des métriques d'évaluation automatisées au sein du pipeline d'inférence pour garantir la qualité continue des contenus pédagogiques.

A réalisé son projet de fin d'études en tant qu'ingénieur de recherche IA, se spécialisant dans le traitement intelligent des documents et le réglage fin de modèles de vision-langage.

• A entraîné et ajusté un modèle de vision-langage basé sur l'architecture Transformer pour automatiser l'extraction d'informations structurées à partir de documents.
• A exploité les bibliothèques Hugging Face Transformers et PyTorch pour mener à bien l'apprentissage du modèle Donut.
• A évalué et comparé 16 configurations d'ajustement fin efficace en paramètres, incluant LoRA, QLoRA et MTLoRA.
• A expérimenté des techniques avancées d'optimisation de modèles telles que la distillation de connaissances et l'élagage.
• A égalé les performances d'un réglage fin complet tout en n'entraînant que 0,57% des paramètres totaux sur un modèle 4 fois plus petit.
• A réduit drastiquement les coûts d'inférence de l'ordre de 56% par rapport au modèle de référence initial.
• A optimisé l'infrastructure matérielle, réduisant de 71% l'utilisation de la mémoire GPU lors de l'exécution.
• A diminué l'empreinte mémoire globale du système de 74% grâce aux optimisations de quantification et d'architecture.
• A mis en place des pipelines d'intégration et de déploiement continus pour automatiser le cycle de vie du modèle.
• A orchestré le suivi rigoureux des expériences et des métriques d'entraînement en intégrant la plateforme MLflow.
• A rédigé des protocoles d'entraînement hautement reproductibles pour faciliter la maintenance par les équipes de recherche.

A intégré l'équipe de 3D Smart Factory en tant que stagiaire en apprentissage automatique, se concentrant sur la prévision de données temporelles complexes.

• A conçu et développé un modèle d'apprentissage profond de type LSTM dédié à la prévision des cours boursiers.
• A élaboré un pipeline de traitement de données complet et robuste, gérant l'acquisition, le nettoyage, la normalisation et la structuration des séries temporelles de bout en bout.
• A conçu et mis en œuvre des tableaux de bord interactifs en temps réel avec Streamlit afin d'exposer les prédictions du modèle.
• A fourni un outil d'aide à la décision analytique clair et visuel pour les équipes opérationnelles et les décideurs.
• A mesuré la performance du modèle d'évaluation temporelle en comparant les résultats prédits aux données réelles.
• A analysé et nettoyé les données historiques de séries temporelles pour supprimer le bruit et les valeurs aberrantes.
• A documenté le pipeline technique et le code source de l'algorithme d'apprentissage automatique pour faciliter sa réutilisation.