À propos de Miljan
Je suis AI Engineer et Data Scientist freelance depuis 8 ans, focalisé sur la mise en production d'agents IA, de modèles ML et de plateformes data. Plus de 30 missions, des e-commerces à quelques M€ de CA aux ETI industrielles, aux groupes (Mulliez, Sanofi, Puig). Toujours en freelance, jamais en CDI ni en ESN.
Ce que ces 8 ans m'ont appris : les projets data et IA n'échouent presque jamais sur la technique. Ils échouent parce que les équipes tech construisent en silo des choses dont le business ne se sert pas, ou parce que les directions lancent des transformations trop grosses qui se grippent en route.
Je commence par passer du temps dans chaque équipe : marketing, finance, RH, legal, opérations, direction. Je regarde comment les gens travaillent vraiment, pas comment c'est censé fonctionner. Les vrais cas d'usage sortent de ces conversations, rarement d'un brief initial.
Ensuite je livre. Pas un POC, pas un slide, du code branché à votre stack qui tourne en prod : des agents IA qui exécutent des tâches dans vos workflows, des modèles ML qui prévoient ce qui compte, des pipelines data. Avec les outils d'aujourd'hui — n8n, LangGraph, LLM par API — entre l'idée validée et la prod, on compte en semaines, pas en trimestres.
Et je forme les gens qui vont s'en servir. Sinon l'outil meurt à mon départ, l'investissement avec.
Sur le format : j'accompagne mes clients en fractionné, un à deux jours par semaine, sur la durée. C'est le format qui marche quand il n'y a pas d'équipe data en interne. Pas de gros budget à mobiliser, l'accompagnement avance au rythme des projets, chaque livraison rentabilise la suivante. Je préfère neuf mois à un jour par semaine à six semaines en full-time : on a le temps de comprendre l'entreprise et d'installer quelque chose qui dure.
À terme : rendre la boîte autonome. Un écosystème d'outils internes, des collaborateurs formés, moins de dépendance à des prestataires externes — moi compris.
Français
Bilingue ou natif
Anglais
Capacité professionnelle complète
En télétravail uniquement
Travaille majoritairement à distance
Expériences
- CELIOData Scientist Lead & AI Engineer — Enseigne de mode retailMODE & COSMÉTIQUESmars 2026 - Aujourd'hui (3 mois)Paris, FranceLe contexte : Celio, une enseigne de mode retail avec un objectif clair pour ma mission de 9 mois : mettre en place des projets de data science et d'IA générative avec un ROI mesurable sur chacun. Pas de projets exploratoires sans fin. Chaque initiative doit prouver sa valeur.Mon périmètre est large : lead sur la data science et l'AI engineering, mais aussi sur la data analyse et le pilotage complet de l'analyse client. Un rôle à la croisée de la stratégie et de l'exécution.Les premiers projets, ce sont des V2 d'outils existants à fort potentiel :V2 de l'application de description produits par IA. L'outil existe mais doit monter en qualité et en autonomie pour les équipes métier. C'est un sujet que je maîtrise parfaitement pour avoir construit ce type d'application from scratch sur un projet précédent.V2 de l'algorithme de prédiction de clic emailing. Le modèle prédit quel client va cliquer sur quelles campagnes. L'objectif : améliorer le ciblage et mesurer l'impact sur le taux de conversion.Derrière, des projets de machine learning structurants :Marketing Mix Modeling (MMM) : modéliser l'impact de chaque levier marketing (média, CRM, promotions) sur le chiffre d'affaires pour optimiser l'allocation des budgets. Un projet à fort enjeu stratégique qui va directement influencer les décisions budgétaires de la direction.Pilotage de la démarque par ML : prédire et optimiser les promotions pour préserver la marge. Dans le retail, la démarque est l'un des premiers postes de perte de rentabilité.Chaque projet suit la même logique : objectif mesurable, critère de succès défini à l'avance, ROI documenté.Stack : Python, Machine Learning, IA Générative, SQL
- Wamiz
Sur Malt
Head of Data externalise — Wamiz (startup media, contenu animaux de compagnie)PRESSE & MÉDIASjanvier 2026 - Aujourd'hui (4 mois)Paris, FranceLe contexte : Wamiz génère des millions de pages vues par mois mais n'avait pas de stratégie data structurée. Les données existaient un peu partout, mais personne ne les centralisait ni ne les exploitait de manière stratégique. Le CIO avait besoin d'un Head of Data pour poser les fondations, mais pas à temps plein. D'où le recrutement d'un Head of Data externalisé via Malt.Mon rôle va au-delà de la technique. Je définis la stratégie data de l'entreprise : gouvernance, architecture, priorisation des sources de données à centraliser, et surtout comment rendre ces données exploitables par le CEO et l'ensemble des équipes métiers (éditorial, marketing, produit).Ce que je mets en place :La modern data stack complète de Wamiz. Dagster pour l'orchestration (chaque pipeline est monitoré, chaque échec est traçable). BigQuery comme data warehouse central. dbt pour la transformation et la modélisation des données (tests intégrés, documentation automatique). Airbyte pour l'ingestion de toutes les sources de données de l'entreprise.L'objectif n'est pas juste d'empiler des outils : c'est de construire une plateforme data qui permette à la direction de prendre des décisions basées sur des données fiables, et aux équipes métiers d'être autonomes dans l'exploitation de ces données.C'est un rôle de Head of Data au sens stratégique : définir ce qu'on collecte, pourquoi, comment on le structure, et qui l'utilise.Stack : Dagster, BigQuery, dbt, Airbyte, GCP - EkosportAI EngineerCOMMERCE DE DÉTAILnovembre 2025 - février 2026 (3 mois)Paris, FranceAI Engineer, Agents IA — Ekosport (distributeur outdoor, 400+ fournisseurs)Le probleme : l'equipe achat passait des heures a ressaisir manuellement les catalogues de 400+ fournisseurs dans l'ERP. Chaque fournisseur envoie ses matrices articles et bons de commande dans un format different (PDF, Excel, formats libres). 2,5 personnes a temps plein etaient mobilisees rien que sur cette saisie.Ce que j'ai livre :Des agents IA qui extraient automatiquement les donnees de n'importe quel document fournisseur (PDF, Excel, formats non structures) et les convertissent au format ERP. La precision d'extraction atteint quasi 100%, validee sur un framework d'evaluation avec dataset de reference et metriques par champ.Une application web pour les fournisseurs eux-memes : ils uploadent leurs documents, l'IA pre-traite et detecte en temps reel les informations manquantes ou incoherentes avant que le document n'arrive cote Ekosport. Fini les allers-retours par email.L'integration avec la base produits et le stock pour prevenir les ruptures en amont.Resultats : 2,5 ETP liberes sur des taches a valeur ajoutee, reduction drastique des allers-retours fournisseurs, amelioration de la gestion des stocks.Stack : Python, LLMs (GPT-4, Claude, Gemini), LangChain, FastAPI, React, PostgreSQL, Document AITags Malt : Generative AI, LLM, Intelligence artificielle, Python, Langchain
Avis
Tristan
CTO - Wamiz
Avis laissé le 11.05.2026
Miljan a toutes les qualités d'un data qu'on recherchait: experience, pro-activité et autonomie;
Il nous accompagne sur le setup de notre stack data suite à de nouveaux objectifs de boite (capturer des leads).
Ca comprends: Dagster, GCP, big query, dbt. Collaboration sur slack & github.
C'est un bon communiquant, il vulgarise et explique et s'adapte au niveau de son auditoire. Il visibilise bien son travail.
Je recommande chaudement, freelance très sérieux.
H
Hubert
Expert Bigquery, Dbt & CICD - SEIKI
Avis laissé le 10.01.2026
Encore une excellente collaboration avec Miljan pour la phase 3 de notre projet. La mise en place de la CI/CD et le passage en production se sont déroulés sans accroc. C'est la 3ème fois que je fais appel à lui et c'est toujours un plaisir de travailler avec quelqu'un d'aussi compétent et fiable.
Recommandations
AD
Ces profils de freelance correspondent également à vos critères
Agatha Frydrych
Backend Java Software Engineer
4.7
(3)
2
Baptiste Duhen
Fullstack developer
4.6
(4)
5
Amed Hamou
Senior Lead Developer
4
(2)
7
Audrey Champion
Web developer
4.3
(3)
4
Formations
- Master of Science in Managementemlyon business school2018Spécialisation en entrepreneuriat. Projet de fin d’études : l’impact de l’intelligence artificielle sur l’emploi
- Data ScientistOpenclassrooms + CentraleSupélec2019Compétences développées : -Analyser des données pour en extraire de la valeur et répondre à une problématique spécifique. -Modéliser le phénomène à l’origine de la création de données, à l’aide d’algorithmes de machine learning. -Mesurer et améliorer les performances de cette modélisation. -Automatiser des tâches telles que des recommandations, des prédictions, des classifications d’images, ... -Communiquer des résultats par la visualisation des données afin de faciliter la prise de décision. Expertises obtenues : -Traitement du langage naturel (NLP) : NLTK, TF-IDF, LDA, Word2Vec -Traitement d'images : OpenCV, Sift, Réseaux de neurones convolutifs (CNN) -Traitement de données séquentielles (finance, traduction) : LSTM, GRU, Seq2Seq, Attention, Transformer
Certifications
- Large Language Models (LLM) & TransfromersSuper Data Science2024
- Décrivez et nettoyez votre jeu de donnéesOpenclassrooms2018