Ce que j'ai
livré en production

Mesurer et réduire le gaspillage alimentaire en restauration scolaire : analyser automatiquement les déchets à partir d'images et de pesées, puis produire des indicateurs exploitables par les établissements.

• 10 agents spécialisés orchestrés en Python — déchets, satisfaction, bilan carbone, menus, chatbot — avec analyse d'images de bacs via Claude Vision.
• Backend RAG FastAPI + ChromaDB : 5 prompts système, parsing et validation stricte du JSON, gestion d'erreurs et 9 règles anti-hallucination.
• Vision par ordinateur : SAM 3 + RF-DETR fusionnés aux capteurs de pesée, avec pipeline MLOps de ré-entraînement continu à partir des corrections utilisateurs.
• Benchmark de 7 LLM (Claude, Mistral, Gemini) : 350 réponses notées sur une grille pondérée qualité / hallucination / format, rapports Excel automatiques et arbitrage coût-performance chiffré.

Une documentation technique volumineuse et difficile à exploiter. L'objectif : un système de questions-réponses fiable, traçable et conforme aux exigences du SI bancaire.

• Pipeline d'ingestion de milliers de documents, embeddings sémantiques ColPali et indexation vectorielle Qdrant.
• Retriever hybride dense + sparse, service de génération exposé en API FastAPI, code testé et versionné.
• Observabilité complète : indicateurs de qualité des réponses, monitoring Prometheus, dashboards Grafana, logs structurés et traçabilité de chaque requête pour l'audit.
• Analyse des causes d'erreur et amélioration itérative de la recherche documentaire.

Déployer et exploiter une plateforme e-commerce en microservices sur AWS, entièrement décrite en code, avec la chaîne CI/CD, le monitoring et le plan de reprise qui vont avec.

• Terraform en deux couches : EKS 1.30, VPC privé, NAT Gateway unique — 15 minutes pour l'infrastructure, 2 minutes pour la configuration logicielle.
• Pipeline GitLab CI/CD en 5 étapes (Validate → Infrastructure → Configuration → Deploy → Destroy) avec scan de sécurité Trivy intégré.
• Kubernetes en production : Nginx Ingress, NetworkPolicies, TLS ACM, MySQL + MongoDB.
• Exploitation : Prometheus / Grafana + AlertManager vers Slack, plan de reprise Velero, scripts de nettoyage ELB/EBS et capacity planning.

Des volumes importants de demandes d'hébergement d'urgence et d'insertion, traitées manuellement. L'enjeu : automatiser l'analyse, anticiper les pics et donner aux décideurs publics des indicateurs lisibles.

• Modèles prédictifs supervisés (XGBoost, Random Forest) et séries temporelles (Prophet, ARIMA, LSTM) pour anticiper les demandes à fort volume du 115.
• Détection d'anomalies comportementales (Isolation Forest, autoencodeurs, LSTM), packagée en services Python testés et documentés.
• Analyse statistique : tests d'hypothèses, régressions multiples, ANOVA, ACP, sélection de variables et validation des hypothèses des modèles.
• Industrialisation : API FastAPI, Docker, pipelines GitLab CI/CD, scripts ETL Python / R ; restitution aux élus via dashboards Streamlit, Shiny et Power BI.

Un outil de gestion Qualité-Hygiène-Sécurité-Environnement où les agents IA répondent aux questions réglementaires sans inventer de réponse — contrainte non négociable sur ce domaine.

• Architecture multi-tenant avec authentification JWT et cloisonnement des données par organisation.
• RAG contraint « zéro hallucination » : réponse uniquement sourcée depuis le corpus réglementaire du client, refus explicite sinon.
• Stack FastAPI + React / Vite / Tailwind, paiements et abonnements Stripe.

Une application de comptabilité pour TPE, pensée dès le départ avec sa chaîne de livraison automatisée.

• Front React / Vite, backend et authentification Supabase.
• Abonnements et facturation Stripe.
• CI/CD GitHub Actions : tests, build et déploiement automatiques à chaque merge.

Deux applications métier bâties sur le même socle multi-agents : l'une pour le suivi agricole, l'autre pour la prospection immobilière.

• Applications FastAPI + React avec plusieurs agents spécialisés par domaine.
• Tableaux de bord connectés à des API externes, dont Open-Meteo pour les données météo.
• Restitution temps réel des indicateurs métier.

Automatiser la production et la diffusion de contenu marketing en branchant des agents directement sur les outils de travail quotidiens.

• Application Next.js orchestrant plusieurs agents IA.
• Connecteurs Gmail et Google Drive pour lire et produire les contenus à la source.
• Automatisation de la publication LinkedIn.

Appuyer le diagnostic et la planification des traitements à partir de données patients hétérogènes, dans un cadre RGPD strict.

• Pipeline LangChain intégrant dossiers patients (EHR), résultats de laboratoire et imagerie.
• Structuration et contrôle qualité des données multi-sources avant toute analyse.
• Analyse de patterns et de corrélations pour la détection précoce de pathologies, recommandations générées par LLM.
• Restitution des analyses aux équipes médicales et conformité RGPD de bout en bout.

Provisionner un environnement AWS complet de façon reproductible et versionnée, utilisable en équipe sans conflit d'état.

• Terraform : VPC, security groups, instances EC2, modules réutilisables versionnés.
• Backend d'état S3 distant avec verrou DynamoDB pour le travail en équipe.
• Reverse proxy Nginx / Apache configuré et déployé de façon automatisée.

Intégrer la sécurité dans la chaîne de livraison plutôt qu'en audit a posteriori : bloquer le pipeline tant que les vulnérabilités ne sont pas traitées.

• Pipeline Jenkins multi-étapes avec quality gates bloquants.
• Analyse statique de code (SAST) via SonarQube.
• Tests dynamiques de sécurité (DAST) via OWASP ZAP.
• Build et push d'images Docker entièrement automatisés, approche zero-trust de bout en bout.

Piloter l'infrastructure cloud depuis des chaînes de traitement IA, sans dépendance à un service externe.

• Script Boto3 mono-fichier pour la configuration et les tests en ligne de commande AWS.
• Connexion de LangChain aux services natifs AWS : IAM, VPC, S3, Lambda, Bedrock.
• Orchestration de chaînes de traitement IA directement sur l'infrastructure cloud.

Modélisation prédictive et causale des déterminants de l'innovation environnementale des entreprises, à partir des enquêtes Community Innovation Survey (CIS) et de données Insee.

• Modèle structurel en 3 étapes (Crépon-Duguet-Mairesse) : sélection de Heckman, régression censurée Tobit, fonction de production de connaissances.
• Validation statistique : bootstrap, tests de robustesse, vérification des hypothèses d'identification.
• Machine learning : Random Forest et XGBoost en validation croisée stratifiée, Lasso / Ridge en grande dimension.
• Préparation de données d'enquête à grande échelle : valeurs manquantes, valeurs aberrantes, harmonisation des variables.