À propos
Je suis Victor Carré, Data Scientist spécialisé en données scientifiques et en ingénierie IA.
De la paillasse à la prédiction
Tout a commencé par une question simple : pourquoi certaines molécules absorbent-elles la lumière d’une certaine façon ?
Cette curiosité m’a conduit à consacrer huit ans d’études en sciences, puis trois ans de thèse à la photochimie au sein de l’Institut des Sciences Moléculaires de Bordeaux (CNRS), à synthétiser des systèmes photocatalytiques capables de produire des molécules à forte valeur ajoutée en exploitant simplement la lumière.
Mais la chimie expérimentale a ses limites, où chaque hypothèse coûte du temps, des réactifs et des semaines de synthèse. J’ai commencé à me demander si les données accumulées dans les bases scientifiques mondiales (i.e. des millions d’expériences, de résultats, de structures moléculaires) ne pouvaient pas être exploitées autrement. J’ai donc, en parallèle de ma thèse, commencé à me former au Machine Learning avec une formation dispensée par les créateurs de Scikit-learn, puis à construire mes premiers modèles de prédiction moléculaire en Python.
C’est là qu’est né mon intérêt pour la Data Science, d’abord comme outil de curiosité, puis comme discipline à part entière.
Les avancées exponentielles en IA génératives qui se passaient pendant mon doctorat faisaient écho aux pertes de temps que je vivais au quotidien.
Je voulais alors me focaliser sur la compréhension de ces outils et comment ils pouvaient être appliqués à la science.
- Comment construire des systèmes d’IA capables de raisonner sur des données scientifiques ?
- Comment accélerer mon cycle de recherche en automatisant des tâches ?
- Comment prédire l’activité de molécules avant leur synthèse ?
Passage en indépendant
Fin 2024, thèse défendue avec félicitations, je profite des quelques mois qui suivent pour travailler sur des idées de projet que j’ai eu lors de ma thèse.
Je commence ainsi à développer mes premiers systèmes d’IA en concevant des infrastructures locales, LLM Memorization puis LocalMind.
Mon idée était de construire des assistants personnels capables de raisonner sur mes données scientifiques, d’aider au brainstorming assisté pour générer des hypothèses à tester en laboratoire. La problématique était de garder les données privées, étant donné la nature sensible de la recherche scientifique.
Comme dans tout domaine de recherche, les réponses obtenues n’amènent que de nouvelles questions. Je décide de réaliser la formation Concepteur-Développeur en IA et analyse Big Data dispensée par Le Wagon pour consolider mes connaissances dans ce domaine. Mon objectif reste le même : construire des systèmes capables de raisonner sur des données scientifiques, d’automatiser la veille bibliographique, et prédire l’activité de molécules avant leurs synthèses.
Cette période confirme ce que je pressentais : le deep learning, les LLMs, les GNNs ne sont pas des gadgets, mais de véritables leviers de recherche à part entière, encore largement sous-exploités en entreprise. À l’issue de la formation, j’ai eu l’opportunité d’être chef de projet au sein de BioGNN, projet de prédiction d’activité biologique de molécules par réseaux de neurones graphiques, dont la présentation finale est disponible ici.
Depuis, je travaille en freelance sur des projets qui se situent à cette intersection, et sur des projets d’IA locale et agentique appliquée à la recherche scientifique, comme Nexus, un écosystème de veille scientifique assistée par IA, pensé pour être un assistant de recherche personnel.
Aujourd’hui
Je développe des outils d’IA appliqués aux processus de R&D.
Disposant de ma propre infrastructure de calcul, je travaille sur :
- Prédiction moléculaire : GNNs et PINNs pour l’activité biologique et les propriétés physico-chimiques
- Systèmes agentiques : agents de recherche bibliographique, brainstorming assisté, automatisation de workflows scientifiques
- Veille scientifique augmentée : GraphRAG sur corpus de papers, knowledge graphs en photochimie et biostimulation
En parallèle, je réalise des missions d’enseignement au sein de l’école Le Wagon en Computer Science (Deep Learning, IA générative, RAG).
Parcours
2026 · Formation IA Agentique et RAG (IBM, 100h)
2026 — aujourd’hui · Ingénieur IA (Microentreprise indépendnte) : Conception d’un assistant de recherche IA (veille automatisée, RAG avancé, écosystèmes d’agents autonomes)
2026 — aujourd’hui · Formateur, Le Wagon (Data Science & IA)
2025 · Formation Concepteur Développeur en IA et Analyse Big Data (RNCP 6, Le Wagon, 400h)
2025 — 2026 · Data Scientist Bénévole au sein du Laboratoire d’Agroécologie et de Biodiversité de Bretagne
2025 — 2026 · Data Scientist (Collaborations académiques) : Développement d’algorithmes de Deep Learning complexes pour la prédiction de propriétés chimiques
2021 — 2024 · Doctorat de Chimie Organique : ingénierie des procédés et développement de méthodologie de synthèse chimique via une approche data-driven Institut des Sciences Moléculaires, Université de Bordeaux / CNRS (mention Félicitations)
2024 · Formation Machine Learning in Python (INRIA, 50h)
2022 — 2023 · Comité d’organisation du congrès scientifique PhotOnline’2023
2021 · Ingénieur R&D (Roche, Suisse) : Conception d’une base de donnée analytique pour entraînement de modèles prédictifs
2020 · Assistant ingénieur R&D (Roche, Suisse) : Veille concernant la mise en place de procédés industriels data-driven
2019 — 2021 · Master Chimie Moléculaire, Université de Rennes (mention Bien)
2019 · Assistant ingénieur R&D, Institut des Sciences Chimiques de Rennes (UMR CNRS 6226)
2017 — 2019 · Licence Chimie, Université de Rennes (mention Très Bien)