Ingénieur Data en Aéronautique

Intervention au sein du laboratoire HCTI pour mener des travaux de recherche et développement sur les grands modèles de langage et le traitement automatique du langage naturel.

• A développé une plateforme d'évaluation Python réutilisable intégrant une couche d'abstraction multi-fournisseurs sur les API OpenAI et Gemini avec gestion des batchs, des appels concurrents, des retries, des tokens, de la latence et des coûts.
• A évalué GPT-5.1, Mistral 3.2 et Gemini 3.5 sur 1 007 paires de questions en s'appuyant sur un module LLM-as-a-judge et des KPI qualité.
• A livré un pipeline de benchmarking et un jeu de données au laboratoire, atteignant un accord du juge κ = 0,81 (contre 0,82 pour les humains) qui a permis de remplacer la revue manuelle.
• A mesuré un taux de complaisance de 77 % en santé versus 33 % en climat, donnant lieu à des travaux publiés et présentés en conférence.
• A conçu et développé une application IA full-stack combinant Qwen2.5-7B déployé localement et un moteur de règles avec 4 modes de réécriture et un audit ISO 82079-1 avec correction automatique.
• A mis en place une interface web Gradio avec un backend Python, des endpoints API, un module d'import PDF et de génération de rapports.
• A livré l'application web au laboratoire, permettant sur 79 documents de réduire la longueur des phrases de 19,5 à 8,5 mots, d'améliorer le score Flesch de 17 à 39, et d'atteindre un alignement d'audit à 89 % avec une experte humaine.

Stage de fin d'études réalisé au sein du LS2N sur l'automatisation de la révision de textes scientifiques.

• A conçu un pipeline de données synthétiques par prompt engineering en zero/shot, few-shot et Chain-of-Thought (CoT) sur Qwen2.5 et DeepSeek-R1 avec une validation human-in-the-loop.
• A réalisé le fine-tuning LoRA de Llama 3.1 en mobilisant le supercalculateur Jean Zay avec des GPU A100 et l'orchestrateur SLURM.
• A conduit l'évaluation des modèles à l'aide d'une approche LLM-as-a-judge ainsi que des métriques SARI et GLEU.
• A livré un pipeline de révision de bout en bout et un modèle fine-tuné à l'équipe du LS2N.
• A généré 14 614 instructions d'entraînement sans nécessiter d'annotation manuelle.