Description

Ingénieur MLOps & IA – Expert de l'industrialisation et de la mise en production de l’IA à grande échelle. Je conçois et maintiens des plateformes MLOps/LLMOps complètes sur GCP, garantissant le déploiement fiable, gouverné et monitoré de modèles ML classiques, de systèmes RAG et d’agents IA. Mon expertise couvre toute la chaîne de valeur : de l'architecture des données (médaillon) et l'ingénierie des features, jusqu'au CI/CD, à l'observabilité en production et à l’intégration métier. Leader technique avec une expérience transverse (industrie, retail, finance), je pilote des équipes et transforme les prototypes d'IA en actifs industriels pérennes et à fort impact business.

Langues

Français
Bilingue ou natif
Anglais
Capacité professionnelle complète

Préférences en matière de lieu de travail

Accepte de travailler sur site

Paris (jusqu’à 50 km)

CASTLEBEE
CTO & Principal Data / GenAI Engineer
AGENCE & SSII
janvier 2022 - octobre 2025 (3 ans et 9 mois)
Versailles, France
Pilotage de la stratégie technique (data, MLOps, GenAI), définition des standards d’ingénierie (code, CI/CD, sécurité) et accompagnement des consultants sur des projets clients & R&D.
• Pilotage de la roadmap technique et suivi des livraisons sur les projets clients grands comptes.
• Conception de socles data & MLOps : pipelines PySpark, entraînements serverless (Cloud Build), orchestration Airflow, déploiements d’APIs sur Cloud Run / Cloud Functions.
• Mentoring des consultants Castlebee, relecture d’architectures, mise en place de bonnes pratiques de code, CI/CD et sécurité.
Projets GenAI (VINCI, Société Générale)
• VINCI – SmartBOT : mise en place d’un assistant documentaire RAG (parsing PDF / DOCX, embeddings ada‑002), développement d’une interface web (espaces utilisateur / administrateur) et d’APIs d’intégration aux applications métiers.
• Société Générale – assistant conversationnel : cadrage et acculturation, mise en place d’un POC LLM (Mistral 7B) avec RAG sur corpus PDF / DOCX, APIs et interface Streamlit, gestion des mises à jour de corpus, des métadonnées et de fonctionnalités produit (renommage de conversations, suggestions de prompts).
Environnement global : Python, FastAPI, LangChain, ChromaDB, PySpark, BigQuery, Docker, MLflow, Airflow, GCP, Flask, OpenAI, TensorFlow, Keras, pytesseract, scikit-learn.

MLOps MLflow BigQuery Docker Gitlab CI/CD
Antalis
Data & AI Engineer (GCP)
E-COMMERCE
janvier 2025 - octobre 2025 (9 mois)
Boulogne-Billancourt, France
Département MIS BI — modernisation de la plateforme analytique et des pratiques MLOps sur GCP (centralisation des flux Oracle & GA4 dans BigQuery, standardisation des modèles de données).
Projet 1 — Framework d’intégration de données
• Conception d’un framework Python packagé (versionné, documenté) pour l’ingestion Oracle & GA4 → BigQuery (ELT) afin de mutualiser l’ingestion de données.
• Gestion des évolutions de schéma, mise en place de tests unitaires, d’intégration et de qualité de données (data quality), observabilité (logs / alerting) et reprise sur incident.
• Environnement : Python, BigQuery, SQL, dbt, Cloud Functions / Scheduler, Cloud Build, Dataflow.
Projet 2 — Plateforme analytique & modèle de données
• Standardisation de la chaîne analytique RAW → TRUSTED → ANALYTIC, basée sur des modèles dimensionnels (schémas en étoile, SCD1 / SCD2) et des macros dbt réutilisables.
• Mise en place de la gouvernance & sécurité (rôles, RBAC / IAM, règles d’accès) et orchestration Airflow (DAGs, dépendances, SLA, alertes, procédures SQL incrémentales).
• Visualisation métier via Qlik Sense et supervision technique via Cloud Monitoring (latence, fraîcheur, complétude).
• CI / CD : templates Cloud Build pour dbt, Airflow et Cloud Run (build, tests, déploiements DEV → PROD).
• Environnement : BigQuery, dbt, Airflow, Qlik Sense, Cloud Monitoring, Cloud Build.
Projet 3 — MLOps : déploiement d’un modèle de churn sur GCP
• Préparation des données depuis Oracle via un pipeline ETL automatisé vers BigQuery avec traçabilité complète (MLflow).
• Conteneurisation du modèle sous Docker et déploiement en API sur Cloud Run, orchestré via Cloud Build (CI / CD).
• Exports des prédictions vers CRM / reporting, supervision et centralisation des logs pour suivi des performances en production.
• Environnement : Python, BigQuery, dbt, MLflow, Docker, Cloud Run, Cloud Build, Cloud Functions / Scheduler, Dataflow, Qlik Sense.
ArcelorMittal DK
Architecte & Data Engineer (Cloudera / Kafka)
INDUSTRIE MATIÈRES PREMIÈRES
octobre 2023 - décembre 2024 (1 an et 2 mois)
Dunkerque, France
Équipe Data & Modèle — Direction Transformation Digitale.
Projet 1 — Data Lake industriel (feuille de coulée)
• Conception d’un data lake industriel centralisant les données PLC / SCADA / LIMS / MES pour l’analyse temps réel et la traçabilité des processus de fabrication.
• Ingestion streaming via Kafka des flux capteurs / événements, traitements PySpark de consolidation, déduplication, jointures hétérogènes et enrichissements temporels / géographiques.
• Mise en place d’une architecture médaillon (Bronze / Silver / Gold) avec historisation robuste et orchestration sur Cloudera / YARN avec suivi des SLA.
• Environnement : Cloudera, PySpark, Kafka, SQL, GitLab CI / CD.
Projet 2 — Socle MLOps Vision
• Architecture cible pour la plateforme MLOps de vision (inspection qualité, reconnaissance visuelle) couvrant ingestion images / vidéos, stockage, inférence et monitoring.
• Étude fonctionnelle et technique alignée avec le data lake Cloudera / YARN, sélection de composants MLOps compatibles avec les contraintes temps réel, résilience et scalabilité.
• Production d’un dossier d’architecture validé en comité, définissant un socle évolutif intégrant les bonnes pratiques DevOps / CI / CD.
• Environnement : Cloud Build, Cloud Run, Docker, Airflow, Kubernetes, GitLab CI / CD, MLflow, PySpark, Kafka, Cloudera.

Apache Kafka MLOps Airflow MLflow GitLab CI / CD