Ingénieur en Mécatronique | Spécialiste en IA & Fabrication Intelligente

A intégré l'équipe IA et Digitalisation d'un équipementier automobile pour concevoir une plateforme de maintenance intelligente et diagnostique basée sur des modèles de Deep Learning de niveau production.

• A développé un chatbot de diagnostic basé sur Mistral 7B avec recherche par mots-clés optimisée CPU pour le diagnostic de pannes en temps réel, atteignant un taux d'hallucination de 9 % et une satisfaction expert de 4,3/5.
• A conçu et entraîné un modèle de maintenance prédictive à base de GRU Bidirectionnel (BiGRU) à travers 10 itérations architecturales pour prédire le risque de panne machine à 7 jours, atteignant une précision adjacente de 97,7 % sur un ensemble de test indépendant.
• A développé un moteur de génération de rapports d'audit orchestré par n8n et propulsé par RAG (recherche par similarité de Jaccard + Mistral 7B) sur plus de 90 rapports historiques, réduisant le temps de génération des rapports de 45 à 90 minutes à moins de 30 secondes, avec un taux de correspondance automatisée de 85 %.
• A livré la plateforme SmartOps sur 6 sprints Scrum incluant authentification JWT/RBAC, modules de maintenance préventive/corrective et d'audit LOS/Gemba, tableau de bord KPI MTTR/MTBF/disponibilité en temps réel.
• A validé la plateforme à 100 % sur les 17 exigences fonctionnelles et 8 exigences non-fonctionnelles, avec un score de satisfaction UAT de 4,5/5.

A rejoint l'équipe IA et Perception d'une entreprise de robotique pour améliorer la vision artificielle en environnements à faible visibilité et déployer des solutions d'edge computing.

• A conçu une architecture TE-GAN (réseau antagoniste génératif) pour l'imagerie thermique en environnements à faible visibilité, entraîné sur le jeu de données KAIST et comparé aux méthodes traditionnelles HE et CLAHE.
• A intégré les images améliorées dans un framework de détection d'objets YOLOv8, améliorant la précision de détection des piétons de 3 % pour des scénarios de robots de sécurité autonomes nocturnes.
• A optimisé les modèles par quantification pour le déploiement, réduisant la latence de traitement de 30 % pour des applications d'edge computing en temps réel.

A contribué au développement d'un système d'acquisition de données en temps réel et de traitement du signal pour la surveillance mécanique.

• A conçu un système d'acquisition de données en temps réel pour capteurs IMU et EMG haute fréquence, utilisant Python et Flutter.
• A développé des algorithmes de traitement du signal pour la surveillance de l'état mécanique, améliorant le débit de données de 40 %.