Description

Lead Tech Data & AI - ML/DL Expert: pragmatique et visionnaire avec 10+ ans à faire le pont entre recherche de pointe et systèmes ML/IA en production. Parti de la biologie computationnelle développant des algorithmes novateurs, j’ai évolué vers un leadership

qui ne comprend pas seulement la théorie ML/IA—j’ai construit des équipes qui mettent des modèles en production à grande échelle. De l’architecture de plateformes MLOps servant des millions de prédictions quotidiennes au mentorat de data scientists devenant ML engineers, je crois que la grande ingénierie IA combine rigueur expérimentale et fiabilité production. Actuellement en recherche d’opportunités pour leader des projets et des équipes data/IA où la rigueur scientifique rencontre l’impact business et l’innovation génère des résultats mesurables.

Domaines d’expertise

Langues

Français
Bilingue ou natif
Anglais
Capacité professionnelle complète

Préférences en matière de lieu de travail

Accepte de travailler sur site

Lyon (jusqu’à 50 km)

Connect Technology
Chief Technology Officer
COMMERCE DE DÉTAIL
janvier 2023 - décembre 2025 (2 ans et 11 mois)
Lyon, France
Direction stratégie IA/ML et construction de systèmes intelligents pour la transformation du gaming & du retail dans les marchés émergents.

Plateforme Intelligence ML: Architecturé plateforme ML end-to-end traitant 1M+ transactions quotidiennes avec détection fraude temps réel, prévision demande et modèles comportement clients. Construit une architecture data mesh permettant 6 modèles ML en production avec 99,8 % d'uptime et de latence d'inférence sub-100 ms.
Construction Équipe Data Science: Construit et dirigé 2 squads ML engineering (12 ingénieurs: 5 data scientists, 7 ML engineers), établissant best practices pour tracking expériences, versioning modèles et tests A/B. Créé un parcours de carrière entre data science et engineering, réduisant le time-to-production de mois à semaines.
Pipeline ML Temps Réel: Conçu architecture ML streaming avec Spark Structured Streaming pour calcul features temps réel et inférence modèles. Réduit latence prédiction de 4 heures à 5 minutes, permettant pricing dynamique et optimisation inventaire augmentant revenus de 15%.
Framework Qualité ML: Implémenté observabilité ML complète avec monitoring performance modèles, détection data drift et pipelines réentraînement automatisés.
Infrastructure ML Cloud: Dirigé migration vers plateforme ML cloud-native AWS avec SageMaker, EMR et S3, infrastructure-as-code via Terraform. Réalisé 30% réduction coûts via spot instances et autoscaling tout en maintenant 95% disponibilité modèles.
Pratiques IA Responsable: Établi framework gouvernance modèles avec tracking lignée, monitoring biais et exigences explicabilité. Assuré conformité réglementaire tout en rendant modèles ML transparents et interprétables pour parties prenantes business et auditeurs.
Technologies:

. Python/Scikit-learn
• MLflow/Weights&Biases
• Tests A/B
• Spark MLlib
• Feature Stores
• Leadership Équipe
• AWS SageMaker
• Monitoring Modèles
• Stratégie ML
Machine learning Project Management Team management intelligence artificielle Scala
Skillscaper
Co-Fondateur & Chief Technology Officer Skillscaper
EDUCATION & E-LEARNING
novembre 2023 - mai 2024 (6 mois)
Lyon, France
Construction d'une plateforme d'évaluation de compétences IA-native combinant IA symbolique et LLMs modernes.

Architecture IA Hybride: Conçu système évaluation novateur combinant approches neuronales (LLMs) et symboliques (Prolog) pour évaluation des compétences insensible au contexte. Traité 500K+ enregistrements dialogue avec Spark NLP pour extraction features et moteurs inférence custom pour raisonnement logique, atteignant 92% précision vs 78% baseline.
Pipelines ML Production: Construit pipelines feature engineering end-to-end Scala/Spark avec intégration feature store, assurant cohérence training-serving. Implémenté validation et monitoring features automatisés, améliorant précision modèles de 25% et réduisant temps debugging de 60%.
MLOps : Établi stack MLOps complet incluant tracking d'expériences (MLflow), registry de modèles, CI/CD pour modèles et tests automatisés. Réduit cycle déploiement modèles de 2 semaines à 2 jours tout en maintenant validation rigoureuse et capacités rollback.
LLM Engineering: Intégré et fine-tuné modèles LLaMA pour génération et évaluation dialogues, implémentant frameworks prompt engineering et validation réponses. Combiné avec Claude AI pour tâches raisonnement, créant système hybride équilibrant flexibilité et fiabilité, réalisant 40% réduction coûts vs approche pure LLM.
NLP à l’Échelle: Optimisé pipelines Spark NLP pour traitement texte grande échelle, implémentant tokenization efficace, génération embeddings et extraction entités. Réduit le temps de traitement de 40% via caching stratégique, broadcast joins et optimisation de partitions tout en gérant des volumes croissants.
Dashboard ML Temps Réel: Développée une plateforme analytique temps réel trackant la performance des modèles, distributions features et métriques business. Permis boucles feedback immédiates pour amélioration continue modèles et tests A/B stratégies d'évaluation.
Moobifun
Chief Technology Officer
EDITION DE LOGICIELS
janvier 2020 - avril 2023 (3 ans et 3 mois)
Lyon, France
Direction stratégie Tech/ML/IA pour des expériences gaming personnalisées à grande échelle.

Modernisation Plateforme ML: Dirigé transformation de personnalisation rule-based vers ML-driven, migration vers plateforme ML Spark avec Delta Lake pour stockage features. Scalé de 1TB à 10TB quotidien,
supportant 15+ modèles production servant 10M+ prédictions/jour avec 99.5% disponibilité.
Croissance Équipe Tech: Fait croître équipe Tech de 20 à 35 praticiens (12+ Dev, 5 DevOps, 10 ML engineers+ data scientists), établissant séparation recherche-production tout en maintenant collaboration. Implémenté revue
code, revue modèles et partage connaissances améliorant qualité modèles de 50%.
Moteur Personnalisation: Conçu et déployé un système de recommandation utilisant filtrage collaboratif, embeddings deep learning et bandits contextuels. Modèles ont propulsé recommandations jeux dynamiques augmentant engagement de 40%, rétention de 25% et revenus de 18% via expériences personnalisées.
Optimisation Performance Modèles: Optimisé systématiquement pipelines inférence réalisant 35% réduction coûts via compression modèles, stratégies batching et calcul features efficace—tout en maintenant SLA
99.5% et améliorant latence prédiction de 200ms à 50ms.
Architecture Feature Store: Implémenté feature store production AWS S3 avec Apache Hudi, permettant la réutilisation de features entre équipes, correctness point-in-time et serving basse latence.
Observabilité ML: Construit monitoring complet systèmes ML trackant qualité données, performance modèles,
distributions features et impact business. Réduit temps détection moyen de 80% et temps résolution moyen de
65% pour incidents ML via alerting automatisé et analyse de cause racine.
Technologies:

• Systèmes Recommandation
• Monitoring ML
• Spark MLlib
• Feature Stores
• Scaling Équipe
• Deep Learning
• Compression Modèles
• ML Production