Data Science
Ingénierie IA
Prochaine disponibilité Freelance : Juin 2026 — Contactez-moi
Concepteur de systèmes IA personnels, j'accompagne les équipes dans l'automatisation de workflows complexes et la modélisation de données scientifiques de pointe.
S'appuyant sur un Doctorat en sciences fondamentales et une expertise poussée en ingénierie machine learning, mon approche se concentre sur deux piliers stratégiques :
Écosystèmes Agentiques Autonomes
Conception d'agents intelligents (via LangGraph, LangChain) capables de piloter des processus décisionnels complexes, de la veille concurrentielle à l'analyse stratégique personnalisée et automatisé. J'intègre des systèmes de RAG avancé pour transformer votre documentation interne en moteurs de recherche sémantique souverains.
Deep Learning Scientifique & Prédictif
Développement de modèles spécialisés (GNNs, PINNs) pour modéliser des systèmes complexes et optimiser des processus industriels. Mon objectif est de lever les verrous de la recherche traditionnelle par le biais du raisonnement LLM et de l'intelligence des données.
Souveraineté & Performance technique
Je privilégie le déploiement sur infrastructures locales haute performance (Inférence locale, GPU dédié) pour garantir une exécution hors-ligne sans fuite de données vers le cloud.
Stack technique
IA & Agents : n8n, LangChain, LangGraph, LlamaIndex, Ollama, Unsloth, ChromaDB.
Deep Science : Python, Scikit-Learn, TensorFlow, PyTorch (GNNs, PINNs), Optuna, GCP (BigQuery).
Interfaces : Streamlit, Node.js, React, Vite, Electron.
Ops & Cloud : Git, Docker, MLFlow, Prefect, FastAPI, LangFuse.
Besoin d'un prototype rapide ou d'un conseil stratégique ?
Je réponds à vos enjeux métier sous 24h pour adapter vos pratiques opérationnelles aux nouvelles technologies, ou transformer vos données en leviers d'innovation.
Projets récents
Dernier article
Nexus
Écosystème de veille automatisée et assistée par IA, pensé pour la recherche scientifique.
Orchestration d'agents IA, RAG avancé et LLMs locaux dans une interface permettant à l'utilisateur de converser avec sa veille et ses données, en toute confidentialité.
BioGNN
Modèle de Deep Learning pour la prédiction d'activité biologique et toxicologique moléculaire.
Les interactions physico-chimiques complexes sont simulées par un réseau de neurones graphique, exploitant les dernières avancées de Deep Learning avec une architecture branchée et des mécanismes d'attention. Le modèle est déployé dans une interface utilisateur simple d'utilisation.
Comment le Deep Learning décode les lois de la physico-chimie ?
11 mars 2026
Comment un algorithme peut prédire le rendement d'une réaction chimique avant même qu'on ait utilisé un seul réactif ? Tour d'horizon des architectures RNN, GNN et PINN appliquées aux données scientifiques.
Lire l'article → Tous les articles →Ce que vous trouverez ici
Portfolio
Projets personnels et professionnels : Modèles prédictifs, Deep Learning, LLMs locaux, systèmes RAG et agentiques.
Voir le portfolio →Articles
Réflexions techniques et vulgarisations sur la Data Science et l'IA appliquée à la science, pensées par et pour des chercheurs.
Lire les articles →Publications
Articles scientifiques publiés en Chimie Organique : développement de méthodologie, photocatalyse et chimie supramoléculaire.
Voir les publications →