Alternant assistant informatique
Kainova Therapeutics · équipe IT
Alternance en deux temps au sein de l'équipe IT d'une biotech : le support informatique d'abord, puis la mise en place de solutions d'IA.
Machine Learning · Computer Vision · NLP
M2 Data & IA · alternant chez Kainova Therapeutics
Je construis des systèmes de machine learning concrets, de la donnée brute au modèle en production.
Je conçois des systèmes de machine learning pragmatiques et orientés impact.
Je pars de la donnée : comprendre, nettoyer, structurer et en extraire un signal exploitable. C'est le socle de tout le reste.
Je conçois ensuite des modèles : du NLP à la computer vision, en comparant les architectures et en évaluant rigoureusement chaque choix.
Enfin, je m'attache à la mise en production : pipelines reproductibles, conteneurisation, API et démos qui rendent un modèle réellement utilisable.
Mon approche reste pragmatique et orientée résultat. Ce qui me motive : comprendre un problème en profondeur, structurer, expérimenter, mesurer, améliorer.
Une alternance en biotech, une mission d'accompagnement IA en entreprise et un master orienté ingénierie de données.
Kainova Therapeutics · équipe IT
Alternance en deux temps au sein de l'équipe IT d'une biotech : le support informatique d'abord, puis la mise en place de solutions d'IA.
Groupe Vivialys
Binôme facilitateur auprès des équipes métier : partir d'un irritant du quotidien, construire la solution en atelier avec la personne concernée, puis livrer un outil réutilisable (prompt, modèle, automatisation, tableau de bord).
18.06 · M2 en alternance
Titre RNCP « Expert en ingénierie de données ». Les projets présentés plus bas en sont issus : systèmes multi-agents, computer vision, deep learning et NLP.
Formation initiale en infographie et en biologie, puis réorientation vers la data : Wild Code School, stage chez Follow The Market, licence de génie civil à Lille et conseil chez GTSec.
De la donnée brute au modèle en production : robuste, reproductible, mesurable.
De la donnée brute à une base exploitable : collecter, nettoyer, structurer.
Concevoir des modèles utiles et mesurables, du NLP à la computer vision.
Rendre un modèle réellement utilisable : déployé, reproductible, fiable.
Des systèmes qui perçoivent, décident et agissent, pas seulement qui prédisent.
Faire adopter l'IA par des équipes métier : partir d'un problème réel et livrer un outil qui sert.
Cinq projets concrets : systèmes multi-agents, computer vision, deep learning, NLP et outillage, du notebook à la production.
Système multi-agents pour entrepôt : quatre agents autonomes (Gardien, Contrôleur, Robot, Coordinateur) reliés par un bus Kafka. Conception de l'agent Coordinateur : machine à huit états, décision multi-critères en deux couches, détection de rejeu, historisation TimescaleDB et dashboards Streamlit et Grafana.
Contrôle du port des équipements de protection (casque, gilet) sur images et vidéos. Modèles YOLO11 et RT-DETR comparés sur le dataset SH17 (17 classes) : yolo11l retenu en 768 px pour son rappel sur les classes rares. La règle de conformité casque et tête est calculée en aval du modèle et couverte par des tests automatiques.
Classification d'intentions de tweets de support client par deep learning. Comparaison de 5 architectures (RNN, LSTM, BiLSTM, Transformer maison, DistilBERT) et déploiement via une API FastAPI.
Retrouver un livre à partir d'un extrait, sur un corpus d'œuvres en français du Projet Gutenberg. Pipeline NLP complet : nettoyage, annotation, TF-IDF réimplémenté, Word2Vec et fastText, résumés MMR. Évaluation chiffrée (Precision@k, MRR, ROUGE), stockage objet S3, application Streamlit et suite de tests.
Déplacer ses abonnements YouTube d'un compte Google à un autre. Script Python sur l'API officielle YouTube Data v3 (OAuth 2.0), qui reprend là où il s'est arrêté et respecte le quota journalier, complété par une extension navigateur pour l'export.
Une question, une opportunité ou un projet à explorer en data, ML ou MLOps ? Écris-moi, je réponds.