Ingénieur en IA & Data Scientist

Intégration de l'Institut de Chimie Moléculaire de Reims (CNRS UMR 7312) afin de développer un framework complet de traitement et d'automatisation pour des données RMN bidimensionnelles.

• Conception d'une pipeline de traitement des données RMN, depuis les fichiers Bruker (FID) jusqu'à la détection automatique des pics.
• Développement d'un générateur réaliste de spectres HSQC synthétiques avec génération automatique des annotations (ground truth) pour l'apprentissage supervisé.
• Conception, entraînement et optimisation d'un modèle de segmentation sémantique U-Net (U-NetPicker) pour le peak picking automatique dans les spectres RMN 2D.
• Développement et comparaison de plusieurs méthodes classiques de détection de caractéristiques (Harris, SUSAN, LoG, DoG, Hessian, Local Maxima et modèle électrostatique) avec des techniques de segmentation Watershed et DBSCAN.
• Évaluation des performances sur des données synthétiques et expérimentales (HMDB) à l'aide de métriques telles que Dice Score, Precision, Recall et F1-score.
• Réalisation d'une revue bibliographique sur l'intelligence artificielle appliquée à la RMN, les méthodes de peak picking et l'analyse automatisée des spectres multidimensionnels.

Projet de fine-tuning d'un modèle de langage pour un assistant médical QA.

• Fine-tuning de TinyLlama-1.1B-Chat avec QLoRA sur 10 000 paires QA médicales.
• Déploiement d'une API FastAPI/Gradio pour l'interaction avec le modèle.
• Publication des travaux sur Hugging Face.
• Orchestration du déploiement à l'aide de Docker et Kubernetes.

Développement d'un système intelligent destiné à l'analyse de données de cybersécurité au sein d'un SOC.

• Développement d'un système de 6 agents IA pour l'analyse de 40 000 incidents cybersécurité.
• Combinaison de XGBoost, LightGBM et Llama 3/RoBERTa pour la détection, la prédiction et le reporting automatisé.

Participation à une compétition académique en développant un système de recommandation multimodal.

• Développement d'un système de recommandation multimodal combinant CLIP, E5, SASRec et DCN-v2 pour la prédiction du CTR.
• Évaluation des performances du modèle à l'aide de la métrique AUC.

Conception d'une infrastructure pour l'évaluation et l'optimisation continue de grands modèles de langage.

• Conception d'un pipeline d'évaluation et d'alignement des LLM intégrant DeepEval, RAGAS, le feedback humain, le fine-tuning continu et MLflow pour le suivi MLOps.