Expériences professionnelles
Ingénieur ia - systèmes rag
Incitius Software , Montpellier - Stage
De Mars 2026 à Septembre 2026
Développement d'un assistant conversationnel agentique pour l'exploitation de documentation technique industrielle (PDF avec signets hiérarchiques multi-niveaux) dans un secteur réglementé
Réduction du temps de recherche documentaire d'environ 60-70% (vs recherche manuelle dans la documentation)
Développement d’un pipeline RAG souverain end-to-end from scratch (ingestion csv structurés, chunking métier avec jointures inter-tables, vectorisation via mxbai-embed-large/Ollama, génération augmentée par Mistral 7B/ Qwen3 14B) déployé entièrement en local sur des documents confidentiels issus de secteurs réglementés.
Implémentation d’un agent ReAct multi-outils orchestrant un LLM local (Qwen3 14B/Ollama), une base vectorielle Qdrant avec filtres métadonnées pour le raisonnement autonome multi étapes particulièrement efficace pour les codes équipements exacts
Benchmark de 3 LLM (Mistral 7B, Qwen2.5 7B, Qwen3 14B). Sélection de Qwen3 14B pour le raisonnement agentique (93% vs 40% avec Mistral 7B). Double implémentation agent : from scratch (boucle ReAct) et LangGraph
Déploiement de l’infrastructure complète : VM Debian sur Hyper-V, Qdrant conteneurisé sur Docker, Ollama GPU distant
Évaluation quantitative rigoureuse : pipeline custom par vérification exacte (100% retrieval, 98% answer quality) complété par RAGAS (faithfulness 0,84). Recherche hybride BM25.
Machine learning r&d
CZECH TECHNICAL UNIVERSITY , Prague - Stage
De Mai 2025 à Août 2025
Prédiction de trajectoires utilisateurs à partir de données spatio-temporelles mobiles
Conception d’un pipeline de génération de séquences spatio-temporelles à partir de données mobiles horodatées, avec séparation par utilisateurs pour garantir la robustesse de l’évaluation.
Développement d’un modèle Transformer atteignant 74% d’accuracy utilisant des embeddings multi-features (temps, localisation, utilisateur, position) pour la prédiction des déplacements futurs sur 24h à partir de 3 semaines d’historique.
Mise en œuvre d’un apprentissage séquentiel et d’une classification multi-pas de temps, avec optimisation des hyperparamètres et suivi des performances sur jeux train / validation.
Machine learning r&d
CEA , Chusclan - Stage
De Janvier 2025 à Mai 2025
Évaluation de systèmes RAG (IA générative)
Développement d’un framework d’évaluation automatique pour pipelines de Retrieval-Augmented Generation appliqués à des documents scientifiques et techniques.
Implémentation et comparaison de stratégies RAG (local, global, hybride) face à un LLM sans retrieval, avec orchestration asynchrone des inférences.
Mise en œuvre de métriques NLP avancées pour l’évaluation de la qualité des réponses (Exact Match, ROUGE, BERTScore, MRR, similarité sémantique).
Analyse de l’impact du contexte récupéré sur la pertinence, la cohérence et la couverture informationnelle des réponses générées.
Associations
Parcours officiels
Langues
Français - Langue maternelle
Anglais - Courant
Espagnol - Technique
Arabe - Technique
linkedin
website
github