~/gautier-blairon

Gautier Blairon

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.

~/à-propos

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.

~/parcours

Là où j'ai appris

Une alternance en biotech, une mission d'accompagnement IA en entreprise et un master orienté ingénierie de données.

depuis septembre 2026

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.

Support ITIA appliquéeBiotech
juillet 2026

Mission d'accompagnement 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).

38 cas d'usage suivis47 rendez-vousAteliers de co-construction
en cours

Master Data & Intelligence Artificielle

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.

avant la data

Un parcours atypique

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.

~/expertises

Ce sur quoi je travaille

De la donnée brute au modèle en production : robuste, reproductible, mesurable.

// data

Data Engineering

De la donnée brute à une base exploitable : collecter, nettoyer, structurer.

  • Nettoyage et préparation des données
  • Construction de datasets
  • Pipelines reproductibles (raw → clean → features)
  • Big Data et stockage (SQL, NoSQL, S3)
PythonSQLNoSQLBig DataPandas
// ml-ia

Machine Learning et IA

Concevoir des modèles utiles et mesurables, du NLP à la computer vision.

  • NLP et systèmes de recommandation
  • Deep learning : RNN, LSTM, Transformers
  • Computer vision (détection d'objets, YOLO)
  • Validation, métriques et baselines
PyTorchscikit-learnTransformersYOLONumPy
// mlops

MLOps et Développement

Rendre un modèle réellement utilisable : déployé, reproductible, fiable.

  • Déploiement via API (FastAPI)
  • Démos interactives (Streamlit)
  • Conteneurisation (Docker)
  • Versioning Git et environnements Linux
  • Orchestration (Kubernetes) et infrastructure as code (Terraform)
DockerFastAPIStreamlitGitLinuxKubernetesTerraform
// agents premier projet livré

Agents & systèmes autonomes

Des systèmes qui perçoivent, décident et agissent, pas seulement qui prédisent.

  • Systèmes multi-agents et orchestration événementielle (Kafka)
  • Prise de décision : machines à états, logique multi-critères
  • LLMs et génération augmentée par récupération (RAG)
  • Workflows outillés (appels de fonctions, APIs)
AgentsKafkaLLMsRAGPython
// adoption mission en entreprise

IA appliquée en entreprise

Faire adopter l'IA par des équipes métier : partir d'un problème réel et livrer un outil qui sert.

  • Ateliers de co-construction avec les équipes métier
  • Prompts, modèles et automatisations réutilisables
  • Choix de l'outil adapté à chaque cas d'usage
  • Cadre d'usage : charte, données, niveau de risque
LLMsPromptingClaudeChatGPTCopilot
~/projets

Projets sélectionnés

Cinq projets concrets : systèmes multi-agents, computer vision, deep learning, NLP et outillage, du notebook à la production.

01

agents_auto · Un entrepôt qui se gère seul

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.

PythonKafkaTimescaleDBStreamlitGrafana
4 agents · machine à 8 états · démos vidéo en ligne
Voir la présentation →
02

Détection d'EPI sur chantier

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.

PythonYOLO11RT-DETRStreamlitpytest
17 classes · yolo11l en 768 px · 20 tests sur la règle de conformité
Voir la présentation →
03

Classification d'intentions (NLP)

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.

PythonPyTorchDistilBERTFastAPI
5 architectures comparées · RNN → DistilBERT · API FastAPI
Voir le code →
04

Guess the Book

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.

PythonspaCyTF-IDFWord2VecStreamlitDocker
TF-IDF réimplémenté · Precision@k, MRR, ROUGE · stockage objet S3
Voir le code →
05

Transfert d'abonnements YouTube

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.

PythonYouTube Data APIOAuth 2.0JavaScriptManifest V3
API officielle · reprise sur checkpoint · gestion du quota
Voir le code →
→ Tous mes dépôts sur github.com/GautBlrn
~/contact

Échangeons

Une question, une opportunité ou un projet à explorer en data, ML ou MLOps ? Écris-moi, je réponds.