00 — Introduction
Ingénieur IA freelance à Paris. Agents, RAG, serveurs MCP, Machine Learning et pipelines de données — de l’idée jusqu’à la production.
Lire l’histoirePrologue
Depuis cinq ans, j'ai le même crédo: partir d’un problème flou, de données en désordre, pour en faire un outil que quelqu’un utilise vraiment, le lundi matin.
Tout commence dans le Nord, en école d’ingénieurs. Machine learning, deep learning, NLP, vision : j’y apprends les outils. La recherche appliquée m’apprend le reste — la rigueur.
Diplôme d’ingénieur en informatique et data science, spécialisation data science et recherche appliquée : machine learning, deep learning, NLP, vision par ordinateur, traitement du signal.
Premiers pas en R&D industrielle : contribution à un article de recherche sur l’authentification comportementale — reconnaître un utilisateur à sa manière d’interagir plutôt qu’à son mot de passe.
Trois ans de conseil en data science. Des clients exigeants, de nombreux domaines : l’emploi, le sport pro, la santé, le secteur public, le Web3.
C’est là que j’apprends la leçon la plus importante du métier : le modèle n’est jamais la partie la plus difficile. Le vrai travail, c’est tout ce qu’il y a autour — collecter, nettoyer, industrialiser, faire adopter.
Cartographier le marché de l’emploi, une offre à la fois.
Fine-tuning de Llama 3 8B pour extraire les compétences des offres d’emploi, normalisation vers des référentiels standards et classification dans plus de 400 catégories métiers. Industrialisé de bout en bout, de la collecte des offres jusqu’à l’intégration en base, sur plusieurs environnements.
Automatiser la veille sur les exchanges décentralisés.
Une application RAG qui collecte la documentation du plus grand nombre possible de DEX, en extrait automatiquement les critères clés et les classe. Scraping, embeddings et inférence LLM — avec l’encadrement d’un stagiaire et le pilotage du projet.
Aider un club de rugby pro à décider avant le coup d’envoi.
Une plateforme d’aide à la décision stratégique : pipelines d’intégration pour centraliser de gros volumes de données (API vers Elastic), et modèles de machine learning pour anticiper les blessures des joueurs (CIM-10) et optimiser la stratégie avant les matchs.
Anonymiser des textes à l’échelle du big data.
Pilotage d’un projet d’anonymisation : état de l’art complet des solutions de pseudonymisation de textes en français, puis développement d’un pipeline big data combinant Transformers et expressions régulières.
Et aussi
En parallèle des missions, on me confie le module de Data Mining d’un Master 2. Deux années de suite.
Concevoir les cours, animer les travaux pratiques, encadrer les projets : accompagner les étudiants de la théorie jusqu’au code, avec les outils qu’ils retrouveront en entreprise. Expliquer un algorithme à une salle entière reste le meilleur moyen de vérifier qu’on l’a vraiment compris.
Nouveau continent, nouvelle échelle. Je rejoins la banque d’investissement, au cœur de missions d’audit internationales — un monde où il ne suffit pas qu’un modèle fonctionne : il faut pouvoir le démontrer.
Un outil de Gap Analysis, du prototype au déploiement.
Conçu, développé et déployé en interne : une architecture qui combine RAG et knowledge graphs, orchestrée avec LangChain, pour outiller l’analyse d’écarts des équipes.
Pilotage du volet data de missions d’audit internationales.
Conception et animation d’ateliers de montée en compétences en data science et en Python.
Certaines idées ne rentrent dans aucune mission. Alors je les construis à côté — c’est souvent là que j’explore ce qui devient ensuite mon métier : agents, protocole MCP, modèles locaux.
Un serveur MCP qui compare les temps de trajet porte-à-porte en Île-de-France — vélo, moto, transports — avec la météo locale, piloté par un LLM local.
Un agent de prospection B2B : n8n pour l’orchestration, une API FastAPI + OpenAI pour rechercher, qualifier et rédiger. Chaque email est validé par un humain avant l’envoi.
Prédire, station par station, les chances de trouver un VélôToulouse ou une place libre — à partir d’environ 14 mois de données temps réel collectées sur l’open data, avec une carte web.
Analyser et classifier le style de jeu des joueurs d’échecs avec des algorithmes d’apprentissage.
Entraîner des réseaux de neurones à deviner le pays à partir d’une simple image Street View.
Retour à Paris, à mon compte. Ingénieur IA freelance, j’aide les équipes à faire passer leurs projets d’IA de la démo à la production.
Des agents qui raisonnent, appellent des outils et se coordonnent — avec un humain dans la boucle quand il le faut.
Brancher les LLM sur vos données et vos outils métiers, proprement et de façon maîtrisée.
Faire parler une base documentaire, avec des réponses sourcées et vérifiables.
Pipelines ETL, modélisation, qualité de données : les fondations sans lesquelles aucun modèle ne tient.
Du notebook à la production : APIs, Docker, CI/CD, cloud AWS et Azure.
Bilan
offres d’emploi analysées chaque année par un pipeline industrialisé
catégories métiers couvertes par les modèles de classification
de recherche économisées au lancement de chaque projet Web3
étudiants de Master 2 formés au data mining
Annexe
Épilogue
Un agent à mettre en production, un RAG qui patine, un pipeline de données à fiabiliser — ou simplement l’envie d’en parler ? Écrivez‑moi.