Data Scientist

Poste chez Leyton Cognitx en tant que Data Scientist pour concevoir et déployer des solutions intelligentes d'extraction de données à partir de documents complexes et hétérogènes.

• A conçu et optimisé des pipelines OCR pour traiter des documents multi-layout complexes, permettant une extraction fiable de données structurées.
• A évalué des modèles OCR et Vision-Language Models (VLMs) à l'état de l'art afin d'améliorer les performances sur des formats documentaires difficiles.
• A réalisé le fine-tuning de VLMs pour l'extraction d'informations spécialisées à partir de documents non structurés.
• A conçu et déployé des workflows d'IA agentic pour la compréhension intelligente de documents, orchestrant le raisonnement multi-étapes, la validation et l'extraction autonome sur des pipelines documentaires complexes.
• A implémenté des workflows d'apprentissage actif et de validation humaine en boucle afin d'améliorer continuellement les performances du modèle.
• A développé des cadres d'évaluation automatisés pour mesurer la précision de l'extraction et la robustesse sur les variations de mise en page.
• A déployé des services OCR et VLM en utilisant Docker, vLLM et FastAPI pour des APIs de production scalables.

Stage de recherche appliquée chez Leyton Cognitx focalisé sur l'extraction automatisée de données factures via des approches de vision par ordinateur et traitement du langage naturel.

• A mené une étude comparative entre OCR+LLM et Vision-Language Models (VLMs) pour l'extraction automatisée de données factures.
• A conçu un pipeline complet incluant la préparation des données, l'ingénierie de prompts et le fine-tuning de VLMs.
• A construit et validé un prototype sur un dataset interne, avec optimisation par quantization et inférence accélérée.
• A déployé le VLM sur GPU en utilisant vLLM et Docker pour une inférence efficace à grande échelle.

Développement d'un système de vision par ordinateur chez PCS Agri pour la détection et la mesure automatisées de diamètres de tomates en environnement de production agricole.

• A développé un système complet de vision par ordinateur intégrant détection d'objets, segmentation et estimation de profondeur.
• A intégré YOLOv8, Segment Anything (SAM2), Depth Estimation et XGBoost dans une application FastAPI pour inférence en production.
• A atteint une erreur moyenne de prédiction de diamètre inférieure à 0,5 mm sur les datasets de test.