Ingénieur Gen-AI

Ingénieur IA indépendant chez Glauco AI, ayant conçu et déployé l'infrastructure d'une plateforme prédictive environnementale.

• Conception de l'architecture globale de bout en bout de la plateforme prédictive.
• Développement de l'infrastructure de collecte des données environnementales et satellitaires multi-modales.
• Mise en place des processus de data engineering pour nettoyer et structurer les données collectées.
• Entraînement de pipelines de Machine Learning avancés pour modéliser les dynamiques de pêche.
• Optimisation de ces modèles prédictifs afin de fiabiliser les prédictions à court terme.
• Prédiction précise des zones de pêche à haut rendement jusqu'à 7 jours à l'avance.

Data Scientist stagiaire chez Descartes & Mauss, ayant automatisé et optimisé le traitement de données complexes via l'utilisation de grands modèles de langage.

• Conception d'un pipeline d'API LLM pour l'extraction et la génération de données.
• Structuration des sorties du modèle au format JSON pour garantir leur intégration dans le système.
• Gestion et traitement de volumes de données textuelles complexes et massives.
• Déploiement en continu du pipeline d'API en s'appuyant sur FastAPI.
• Conteneurisation de l'application avec Docker pour assurer la portabilité de la solution.
• Configuration du workflow d'intégration et déploiement continu (CI/CD) via GitHub Actions.
• Mise en place d'un cadre d'évaluation automatisée des modèles à l'aide de Ragas.
• Configuration du monitoring de l'application en utilisant AWS et PostgreSQL.

Ingénieur de recherche stagiaire en vision par ordinateur au CNRS, spécialisé dans les problématiques d'imagerie médicale.

• Réalisation d'une étude approfondie de l'état de l'art sur les architectures de réseaux de neurones convolutifs (CNN).
• Analyse des méthodes de pointe en traitement et filtrage d'images médicales.
• Ré-entraînement d'un modèle de réseau de neurones convolutifs VGG-16.
• Application de techniques de Transfer Learning pour adapter le modèle à la détection de pathologies.
• Entraînement du modèle spécifiquement pour la détection précoce du glaucome.
• Évaluation des performances de la solution sur un jeu de test dédié.
• Obtention d'un taux de recall de 94% sur le jeu de test pour la détection précoce du glaucome.