Data Scientist et ingénieur IA, docteur en économétrie appliquée, diplômé du Master Data Science de Mines Paris – PSL et du Master DevOps / MLOps de Paris 1 Panthéon-Sorbonne. Fondateur de Nando IT Solutions à Toulon. Je conçois des modèles de machine learning et je développe des solutions IA complètes — agents LLM, systèmes RAG, applications FastAPI / React — jusqu'à la mise en production avec CI/CD et monitoring.
J'ai passé cinq ans au Laboratoire d'Économie de Dijon à construire des modèles économétriques sur des données d'enquête à grande échelle. Ma thèse portait sur les déterminants de l'innovation environnementale : modèle de sélection de Heckman, régression censurée Tobit, bootstrap et tests de robustesse. J'y ai aussi enseigné les statistiques et la prévision aux universités de Bourgogne et de Perpignan.
Cette formation m'a donné un réflexe qui ne me quitte plus : vérifier les hypothèses d'un modèle avant d'en tirer des conclusions. Je l'ai ensuite portée côté ingénierie, avec le Master Data Science de Mines Paris puis le Master DevOps / MLOps de Paris 1 — 850 heures de formation pour apprendre à livrer, pas seulement à modéliser.
Chez Itinova, j'ai industrialisé des modèles de prévision et de détection d'anomalies sur les demandes d'hébergement d'urgence, pour la Métropole TPM et la Préfecture du Var. Puis j'ai fondé Nando IT Solutions pour développer mes propres produits SaaS et accompagner des clients sur des missions IA : RAG bancaire au Crédit Mutuel, analyse de données de santé à l'hôpital Sainte Musse, plateforme multi-agents myWASTE pour GreenOffice.
Ce que je fais aujourd'hui tient en une phrase : je choisis la méthode adaptée aux données disponibles, je mesure ce que je livre, et je le mets en production avec le monitoring qui va avec.
Avant de lancer un XGBoost, je regarde les données : représentativité, valeurs manquantes, hypothèses du modèle. Un résultat non vérifié n'est pas un résultat.
Pour choisir un LLM chez GreenOffice, j'ai benchmarké 7 modèles sur 350 réponses avec une grille de notation pondérée qualité / hallucination / format. Le choix était chiffré, pas intuitif.
API FastAPI testée, Docker, pipelines GitLab CI/CD, monitoring Prometheus et dashboards Grafana. Le RAG du Crédit Mutuel tourne à 99,5 % de disponibilité avec traçabilité complète des requêtes.
Je développe au quotidien avec Claude Code : découpage en tâches, génération, puis relecture et tests du code produit. La vitesse ne dispense pas de la revue.
Élus, directeurs d'établissement, équipes médicales : j'ai l'habitude de traduire un modèle en note de synthèse et en tableau de bord Power BI, Shiny ou Streamlit.
Quatre domaines qui se recoupent : la statistique pour choisir la bonne méthode, le machine learning pour modéliser, l'IA générative pour les interfaces, et le DevOps pour que tout cela tienne en production.
Estimation, tests d'hypothèses, puissance et taille d'échantillon, validation des hypothèses, bootstrap et robustesse.
Modèles supervisés et non supervisés, séries temporelles, détection d'anomalies et deep learning.
Agents LLM orchestrés, systèmes RAG traçables, vision par ordinateur et contrôle strict des sorties.
Infrastructure as code, CI/CD industriel, orchestration Kubernetes, monitoring et sécurité.
Huit ans entre recherche académique, data science en collectivité et missions d'ingénierie IA en freelance.
myWASTE, plateforme de mesure et de réduction du gaspillage alimentaire en restauration scolaire.
Mise en production d'un système de questions-réponses sur une documentation technique bancaire volumineuse, soumis aux exigences de fiabilité et de conformité du SI.
Analyse de données patients en milieu hospitalier pour appuyer le diagnostic et la planification des traitements, dans un cadre RGPD strict.
Conception et exploitation d'une infrastructure AWS multi-tiers 100 % Infrastructure as Code pour une plateforme e-commerce en microservices.
Conception et développement de produits SaaS intégrant de l'IA générative, du prototype au déploiement en production.
Traitement de données massives sur les demandes d'hébergement d'urgence et d'insertion : automatiser l'analyse, anticiper la demande et outiller la décision publique.
Thèse : modélisation prédictive et causale des déterminants de l'innovation environnementale, à partir des enquêtes Community Innovation Survey (CIS) et de données Insee.
Infrastructure as Code, conteneurisation et orchestration Kubernetes, CI/CD industriel, monitoring et sécurité des plateformes cloud.
Machine learning supervisé et non supervisé, deep learning, séries temporelles, big data et industrialisation des modèles.
Modélisation prédictive et causale des déterminants de l'innovation environnementale. Publications internationales et enseignement universitaire des statistiques et de la prévision.
Obtenues entre février 2023 et septembre 2025, sur les deux parcours Data Science / Deep Learning et DevOps / MLOps.
Cinq versions selon l'angle du poste. Même parcours, mise en avant différente.
Agents LLM, RAG multimodal, vision par ordinateur et mise en production des solutions IA.
Télécharger le PDF ↓Inférence statistique, modélisation, inférence causale et validation des hypothèses.
Télécharger le PDF ↓Infrastructure as Code, CI/CD industriel, Kubernetes, monitoring et sécurité.
Télécharger le PDF ↓Machine learning, séries temporelles, détection d'anomalies et industrialisation.
Télécharger le PDF ↓Économétrie appliquée, évaluation de politiques publiques et recherche quantitative.
Télécharger le PDF ↓Disponible pour missions freelance, CDI ou consulting. Mobilité nationale depuis Toulon.
Me contacterMission freelance, CDI ou consulting : parlons de ce que vous cherchez à construire. Premier échange de 30 minutes sans engagement.
