Check K.

- Déploiement & intégration : modèles d’IA (NLP, LLM multimodaux, SLM, vision par ordinateur) avec ONNX Runtime, LangChain, MLflow, MLLM-Tool.

- Maintenance & tests : outils de déploiement de LLM, tests de charge, de stress et d’endurance.

- Supervision & qualité : suivi des performances, de la scalabilité et de la fiabilité.

- Optimisation : amélioration via le RAG, le fine-tuning, et l’approche LLM as a Judge.

- Innovation & recherche : expérimentation (LLM, SLM, CNN, vision par ordinateur).

- Mise en production de modèles de ML pour l’optimisation des effectifs aéroportuaires (postes de contrôle de sûreté, allocation des ressources).

- Pipelines automatisés sur GCP avec Vertex AI Pipelines, Cloud Build, Cloud Run, Terraform et GitLab CI.

- Monitoring et réentraînement des modèles avec MLflow, Evidently AI et Vertex AI Monitoring ; intégration de la détection de dérive / OOD (divergence de Jensen-Shannon, KL, test de Kolmogorov-Smirnov, MAPIE) sur différents horizons temporels et actifs opérationnels.

- Conteneurisation & orchestration avec Docker, Kubernetes, Airflow et Argo pour des workflows scalables.

- Tableaux de bord temps réel via BigQuery, Streamlit et Cloud Functions pour suivre les performances, la qualité des données et la latence.

- Validation continue de l’intégrité des données, de la robustesse et de l’auditabilité à toutes les étapes du workflow IA.

Mise en production d’une IA de confiance avec plusieurs partenaires

- Développement de bout en bout en Machine Learning & Deep Learning (conception de modèles depuis zéro)

- Optimisation des performances en détection d’anomalies, basée sur des cas d’usage réels en production

- Déploiement et mise en production des modèles (compatibilité Edge AI) avec un fort accent sur la robustesse, l’explicabilité et la fiabilité

- Conception et implémentation de pipelines de traitement des données, d’entraînement, d’évaluation et de réentraînement

- Évaluation et amélioration de la stack technologique : qualité du code, conformité PEP8, documentation technique, bonnes pratiques CI/CD

- Surveillance de la dérive des modèles en production (data drift, concept drift, performance)

- Conception et mise en œuvre d’architectures Big Data pour des systèmes scalables et résilients

- Prétraitement et préparation des données pour l’entraînement et le fine-tuning de grands modèles de langage (LLM)

- Conception de systèmes de RAG (Retrieval-Augmented Generation) : indexation de données, recherche sémantique, vectorisation, orchestration des requêtes et amélioration de la qualité des réponses

- Utilisation d’outils LLM avancés tels que LangChain (et frameworks associés) pour l’orchestration de chaînes de prompts, d’agents et d’outils externes

- Expertise en embeddings contextuels de mots et de phrases avec des LLM tels que BERT, GPT-3 et GPT-4

- Expérience approfondie avec les Transformers et les LLM pour divers cas d’usage NLP : génération de texte, recherche sémantique, question-réponse, analyse de sentiments

- Rééquilibrage des données avec Smote.

- Création d’une métrique métier, ajustement du modèle avec Hyperopt.

- Rédaction d’une note de méthodologie

- Création d’API avec Flask

- Conception avec un tableau de bord avec Streamlit

- Mise en œuvre d’une architecture big data

- Test et Mise en production