← Retour au portfolio

Carte de compétences — Portfolio AI Engineer

Synthèse des projets, compétences, preuves, soft skills et axes d'amélioration.

David MEDRAGH
Projet 15 - Étape 2

Portfolio AI Engineer - David MEDRAGH
  • 🧭 Projets & preuves
    • 🗓️ Projet 1 - Démarrage et planification de la formation
      • 🎯 Projet d'entrée dans le parcours : cadrage personnel, organisation du travail, planification de la formation et préparation de l'environnement d'apprentissage.
      • 🧩 Compétences : organisation, planification, gestion du temps, méthode de travail, autonomie
      • 📎 Preuves : Information fournie par David MEDRAGH
    • 👕 Projet 2 - API Serverless Hugging Face pour la segmentation d'images
      • 🎯 Accès serverless au modèle `segformer_b2_clothes` pour segmenter automatiquement des images de vêtements et de personnes.
      • 🧩 Compétences : vision par ordinateur, segmentation d'images, intégration d'API IA serverless, gestion de secrets (.env), tests pytest, visualisation de masques
      • 🧰 Stack : Hugging Face Inference API (serverless), SegFormer B2 (segmentation vêtements/personnes), requests, Pillow, NumPy, matplotlib, python-dotenv, pytest
      • 📎 Preuves : Dépôt GitHub du projet : https://github.com/davidmedragh/projet2, README.md, main.py, rapport_visualizations/, tests
    • 🏙️ Projet 3 - Analyse de la consommation énergétique des bâtiments
      • 🎯 Modélisation supervisée des émissions de CO2 et de la consommation énergétique de bâtiments à Seattle.
      • 🧩 Compétences : EDA, feature engineering, régression supervisée, comparaison et sélection de modèles, validation croisée, interprétation métier des résultats
      • 🧰 Stack : pandas, NumPy, SciPy, scikit-learn (régressions, ensembles, GridSearchCV), seaborn, matplotlib, Jupyter
      • 📎 Preuves : Dépôt GitHub du projet : https://github.com/davidmedragh/projet3, P3_01_nettoyage_analyse.ipynb, P3_02_modelisation_CO2.ipynb, P3_03_modelisation_energie.ipynb
    • 📊 Projet 4 - Classification automatique d'informations
      • 🎯 Classification supervisée pour identifier les causes d'attrition dans une ESN, avec données SIRH, évaluations et sondage.
      • 🧩 Compétences : classification supervisée, gestion du déséquilibre de classes, interprétabilité SHAP, nettoyage multi-sources (SIRH, évaluations, sondage), validation croisée
      • 🧰 Stack : scikit-learn, imbalanced-learn, SHAP, pandas, pyarrow, seaborn, PlantUML
      • 📎 Preuves : Dépôt GitHub du projet : https://github.com/davidmedragh/projet4, projet4_etape1.ipynb à projet4_etape5.ipynb, data/*.csv, diagrammes PlantUML
    • 🚢 Projet 5 - Déploiement d'un modèle de Machine Learning
      • 🎯 Transformation d'un modèle ML en service exploitable : API, CI/CD, base de données, tests et documentation.
      • 🧩 Compétences : conception d'API ML, sérialisation et persistance de modèle, CI/CD, conteneurisation, tests unitaires et fonctionnels, documentation d'API
      • 🧰 Stack : FastAPI, uvicorn, SQLAlchemy, PostgreSQL (psycopg2) / SQLite, joblib, Docker Compose, GitHub Actions, pytest + httpx
      • 📎 Preuves : Dépôt GitHub du projet : https://github.com/davidmedragh/projet5, README.md, docker-compose.yml, docs/, artifacts/, tests
    • 🧪 Projet 6 - MLOps partie 1
      • 🎯 Première structuration MLOps autour du scoring crédit : préparation, expérimentations MLflow, optimisation et seuil métier.
      • 🧩 Compétences : tracking d'expériences MLflow, gradient boosting (LightGBM, XGBoost), optimisation d'hyperparamètres, seuil de décision et coût métier, qualité des données, sérialisation sécurisée
      • 🧰 Stack : MLflow Tracking, LightGBM, XGBoost, scikit-learn, skops, missingno, pyarrow/parquet, PostgreSQL
      • 📎 Preuves : Dépôt GitHub du projet : https://github.com/davidmedragh/projet6, README.md, docker-compose.yml, mlflow_validation_screenshot/, data/*.parquet
    • 📡 Projet 7 - MLOps partie 2
      • 🎯 Industrialisation du scoring crédit : API, conteneurisation, CI/CD, monitoring, environnements DEV/TEST/PROD et détection de drift.
      • 🧩 Compétences : industrialisation MLOps multi-environnements, export et serving ONNX, monitoring temps réel Prometheus/Grafana, détection de data drift automatisée, logs de prédictions centralisés, tests E2E, profiling de performance
      • 🧰 Stack : FastAPI + Pydantic Settings, ONNX Runtime (skl2onnx, onnxmltools), LightGBM, Evidently, Prometheus + Grafana Cloud, OpenSearch, Gradio, pytest + Playwright (E2E), Docker, GitHub Actions (DEV/TEST/PROD), Hugging Face Spaces, snakeviz + psutil (profiling)
      • 📎 Preuves : Dépôt GitHub du projet : https://github.com/davidmedragh/projet7, README.md, .github/workflows/, Dockerfile, config/, doc/
    • 🔎 Projet 8 - Système RAG
      • 🎯 Conception et déploiement d'un système RAG avec preprocessing OpenAgenda, FAISS, LangChain, API et conteneurisation.
      • 🧩 Compétences : architecture RAG complète, embeddings et recherche vectorielle, orchestration LangChain, intégration d'un LLM (Mistral AI), évaluation quantitative RAGAS, API de question-réponse
      • 🧰 Stack : LangChain (community, huggingface, mistralai), Mistral AI (LLM), sentence-transformers, FAISS, RAGAS, Hugging Face datasets, FastAPI, Docker, Postman
      • 📎 Preuves : Dépôt GitHub du projet : https://github.com/davidmedragh/projet8, README.md, Postman/, Dockerfile, compose.yaml, doc/
    • 📐 Projet 9 - Cadrage d'un projet IA
      • 🎯 Cadrage métier, planification, dimensionnement économique, gestion des risques et conformité des données personnelles.
      • 🧩 Compétences : cadrage métier d'un projet IA, dimensionnement budget et ROI, macro-planning et backlog, gestion des risques, conformité RGPD / DPIA, system design
      • 🧰 Stack : templates de cadrage, system design, matrices de risques, NumPy + matplotlib (courbes budget)
      • 📎 Preuves : Dépôt GitHub du projet : https://github.com/davidmedragh/projet9, README.md, livrables/, system_design/, templates/
    • 🩻 Projet 10 - Approches semi-supervisées en traitement d'images
      • 🎯 Exploration de radiographies, extraction de features, clustering et apprentissage semi-supervisé.
      • 🧩 Compétences : transfer learning (features ResNet50), réduction de dimension (PCA, t-SNE), clustering K-Means, apprentissage semi-supervisé (pseudo-labeling), traitement d'images médicales
      • 🧰 Stack : PyTorch, torchvision (ResNet50), OpenCV, scikit-learn (PCA, t-SNE, K-Means), Plotly, Pillow
      • 📎 Preuves : Dépôt GitHub du projet : https://github.com/davidmedragh/projet10, projet10_etape1_exploration.ipynb à projet10_etape4_semi_supervise.ipynb, livrables/
    • 🎮 Projet 11 - Agent d'apprentissage par renforcement
      • 🎯 Exercices CartPole, FrozenLake, DQN et mission Eagle-1 sur LunarLander.
      • 🧩 Compétences : Q-learning tabulaire, DQN (replay buffer, target network), PPO via Stable-Baselines3, conception et lecture de récompenses, suivi d'entraînement TensorBoard, restitution vidéo d'agents
      • 🧰 Stack : Gymnasium (CartPole, FrozenLake, LunarLander), PyTorch (DQN), Stable-Baselines3 (PPO), TensorBoard, MoviePy, Streamlit, FastAPI
      • 📎 Preuves : Dépôt GitHub du projet : https://github.com/davidmedragh/projet11, README.md, notebooks mission, livrables/projet11_presentation.pptx
    • 🕸️ Projet 12 - Extraction de données multimodales de sites web
      • 🎯 Pipeline local de qualification, extraction, transformation, orchestration Airflow, stockage MongoDB et monitoring KPI.
      • 🧩 Compétences : pipelines ETL orchestrés, scraping statique et dynamique, qualification de sources, stockage documentaire NoSQL, monitoring KPI, idempotence et reprise sur erreur
      • 🧰 Stack : Airflow (DAGs), MongoDB (pymongo), Playwright, BeautifulSoup4 + lxml, feedparser (RSS), NewsData API, Streamlit (dashboard KPI), Docker Compose
      • 📎 Preuves : Dépôt GitHub du projet : https://github.com/davidmedragh/projet12, README.md, dags/, dashboard/, doc/uml/, livrables/
    • ♟️ Projet 13 - Agent IA
      • 🎯 Agent IA pour l'apprentissage des échecs : LangGraph, RAG Milvus, API YouTube, Angular et packaging Docker.
      • 🧩 Compétences : conception d'agent outillé (tool calling), orchestration LangGraph, RAG sur base vectorielle Milvus, intégration d'APIs externes (YouTube, Stockfish), développement full-stack IA, packaging Docker Compose
      • 🧰 Stack : LangGraph, Milvus (pymilvus), sentence-transformers, Stockfish + python-chess, YouTube Data API, FastAPI, Angular 17, PyTorch, Docker Compose
      • 📎 Preuves : Dépôt GitHub du projet : https://github.com/davidmedragh/projet13, README.md, backend/, frontend/, docker-compose.yml, livrables/rapport_technique.md
    • 🏥 Projet 14 - Fine-tuning d'un LLM
      • 🎯 POC d'agent de triage médical : dataset, SFT LoRA, DPO, MLflow Registry, vLLM, FastAPI et supervision.
      • 🧩 Compétences : fine-tuning supervisé (SFT + LoRA), alignement par préférences (DPO), anonymisation RGPD (Presidio + spaCy), serving LLM haute performance (vLLM), entraînement GPU cloud, registry et versioning de modèle, supervision LLM en production
      • 🧰 Stack : Qwen3-1.7B-Base, Hugging Face Transformers + Datasets + Hub, TRL (SFTTrainer, DPOTrainer), PEFT/LoRA, Accelerate, PyTorch fp16, vLLM (API OpenAI-compatible), spaCy + Presidio (anonymisation), MLflow Registry + DagsHub, Kaggle GPU T4, Lightning AI, Hugging Face Spaces GPU, FastAPI + Gradio, PostgreSQL (Aiven), Prometheus + Grafana Cloud
      • 📎 Preuves : Dépôt GitHub du projet : https://github.com/davidmedragh/projet14, README.md, livrables/rapport_technique.md, doc/png/, doc/uml/, app/
    • ♾️ Projet 15 - Portfolio AI Engineer et boucle MLOps fermée
      • 🎯 Projet personnel technique : drift détecté, réentraînement, validation et promotion automatique du modèle.
      • 🧩 Compétences : boucle MLOps fermée (drift → retrain → promotion), double détection data drift + concept drift, gate de validation AUC avant promotion, self-hosting d'un outil de monitoring, CI/CD fail fast, tests et couverture ≥ 90 %, séparation dev → prod
      • 🧰 Stack : LightGBM + scikit-learn, Evidently 0.7 + Evidently UI self-hosted (Docker sur HF Space), River (ADWIN, DDM, PageHinkley), MLflow 3 + Model Registry (SQLite dev / DagsHub prod), GitHub Actions (7 jobs, crons quotidien + hebdo), pytest (93 tests, couverture ≥ 90 %), PlantUML (13 diagrammes), uv, python-docx + python-pptx (livrables générés)
      • 📎 Preuves : Dépôt GitHub du projet : https://github.com/davidmedragh/projet15, README.md, livrables/rapport_conduite_projet_P15.docx, scripts/, tests/, doc/uml/
  • 💼 Expérience professionnelle
    • Senior Developer / IT Innovation Advisor — Allianz Trade (Paris)
      • Assurance crédit : le domaine métier de mes projets de scoring (P6, P7, P15)
      • Veille et conseil en innovation IT au sein de l'entreprise
    • Tech Lead / Senior Developer — Groupe Zannier S.A.
      • Encadrement technique et développement logiciel dans le secteur retail
    • Expert / Référent technique Java, JEE & BI — Société Générale (projet ART)
      • Expertise Java/JEE, ETL et décisionnel (Business Intelligence) dans le secteur bancaire
    • Ingénieur JEE, Data & BI — RATP
      • Développement décisionnel : ETL, entrepôts de données et Business Intelligence
    • Ingénieur JEE, Data & BI — Monoprix
      • Chaînes ETL et reporting décisionnel dans le secteur retail
    • Fil rouge data engineering
      • Plusieurs années en ETL, décisionnel (BI) et data engineering — le socle direct de mon travail actuel en ML et MLOps
    • Formation ingénierie informatique — EPITA (2007-2009)
      • Profil senior : une solide expérience d'ingénierie logicielle et data antérieure au parcours IA
    • Certifications cloud & IA
      • Certifié en IA multi-cloud : AWS, Azure, Microsoft, Oracle
      • Certifications AWS : Cloud Practitioner, Enterprise Security, Cloud Architecture, Controlling Cost
    • Pont expérience ↔ formation
      • Mon projet personnel technique (P15) ferme la boucle MLOps d'un scoring crédit — le cœur de métier de mon employeur
      • Confidentialité respectée : aucun détail de projet interne n'est exposé
    • Profil LinkedIn : https://www.linkedin.com/in/david-medragh-a339b615/
  • 🧠 Stack IA couverte
    • 📊 Data science & ML classique
      • pandas, NumPy, SciPy, matplotlib, seaborn, Plotly, notebooks Jupyter
      • scikit-learn : pipelines, preprocessing, validation croisée, GridSearchCV, RandomizedSearchCV
      • Modèles : régression linéaire, régression logistique, Random Forest, LightGBM, XGBoost, clustering, semi-supervisé
      • Déséquilibre de classes : imbalanced-learn, stratégies de rééchantillonnage et métriques adaptées
      • Évaluation : AUC, F1, Average Precision, matrices de confusion, seuil métier, SHAP, prévention du data leakage
      • Qualité et sérialisation : missingno, skops, joblib, parquet/pyarrow
    • 🖼️ Deep Learning & vision
      • PyTorch, torchvision et Hugging Face pour modèles deep learning
      • SegFormer B2 / segmentation d'images via Hugging Face Inference API
      • Transfer learning ResNet50 : extraction de features sur radiographies
      • OpenCV, Pillow, PCA, t-SNE, K-Means, pseudo-labeling semi-supervisé
      • Lecture de résultats visuels, validation et restitution métier
    • 🎮 Reinforcement Learning
      • Gymnasium : CartPole, FrozenLake, LunarLander (mission Eagle-1)
      • Q-learning tabulaire : Q-table, epsilon-greedy, exploration/exploitation
      • DQN en PyTorch : replay buffer, target network, curriculum de reward
      • Stable-Baselines3 (PPO), suivi TensorBoard, vidéos d'agents MoviePy
    • 🔎 NLP, embeddings & RAG
      • Embeddings sentence-transformers, vector search, chunking, retrieval et génération augmentée
      • FAISS et Milvus pour bases vectorielles
      • LangChain (community, huggingface, mistralai) pour orchestration RAG
      • Mistral AI comme LLM de génération, prompts contextualisés
      • RAGAS / évaluation custom, Postman et API de démonstration
    • 🤖 Agents IA
      • LangGraph pour agent outillé (tool calling) et orchestration d'étapes
      • Agent IA appliqué à l'apprentissage des échecs : Stockfish + python-chess
      • RAG Milvus + YouTube Data API + backend FastAPI + interface Angular 17
      • Packaging Docker Compose et scénario de démonstration complet
    • 🧠 LLM, fine-tuning & alignement
      • Hugging Face Transformers, Datasets, Hub, Qwen3-1.7B et tokenizer
      • PyTorch fp16, TRL SFTTrainer, TRL DPOTrainer, PEFT/LoRA, Accelerate
      • SFT, DPO, merge d'adaptateurs, suivi des runs dans MLflow
      • Anonymisation RGPD des corpus : Presidio + spaCy
      • vLLM, API OpenAI-compatible, Gradio, FastAPI, GPU T4 Kaggle, Lightning AI, Hugging Face Spaces GPU
    • ♾️ MLOps, monitoring & registry
      • MLflow Tracking, MLflow Model Registry, DagsHub, lifecycle staging/production/archived
      • Evidently pour data drift (+ Evidently UI self-hosted en Docker), River pour concept drift (ADWIN, DDM, PageHinkley)
      • Export et serving optimisé ONNX : skl2onnx, onnxmltools, ONNX Runtime
      • Prometheus, Grafana, Grafana Cloud, OpenSearch, métriques API/métier/LLM
      • CI/CD GitHub Actions, fail fast, secrets, gates de qualité, promotion automatique
      • Tests : pytest, coverage, httpx, Playwright E2E, smoke tests
    • 🏗️ Data engineering, API & cloud
      • Airflow, DAGs, ETL multimodal, MongoDB, batchs parquet, snapshots et idempotence
      • Scraping : Playwright (dynamique), BeautifulSoup4 + lxml (statique), feedparser RSS, NewsData API
      • FastAPI, OpenAPI/Swagger, endpoints /health /predict /metrics, authentification token
      • Docker, Docker Compose, Hugging Face Spaces, Aiven, Lightning AI, GitHub Actions
      • Angular, Gradio, Streamlit, dashboards et supports de démonstration utilisateur
  • 🛠️ Compétences techniques
    • 📊 ML classique & data science
      • Python scientifique et environnement - 5/5 ●●●●●
        • Projets : Projets 2 à 15
        • Stack / preuve : Python 3.12, uv, notebooks Jupyter, pandas, NumPy, SciPy, matplotlib, seaborn, scripts reproductibles et packaging projet.
      • Préparation et analyse de données - 5/5 ●●●●●
        • Projets : Projets 3, 4, 6, 10, 12, 14
        • Stack / preuve : Nettoyage, jointures, feature engineering, contrôle qualité, datasets parquet/CSV/JSONL, qualification de sources et préparation de corpus.
      • Machine Learning supervisé - 5/5 ●●●●●
        • Projets : Projets 3, 4, 5, 6, 7, 15
        • Stack / preuve : scikit-learn, régression, classification, Random Forest, Logistic Regression, pipelines, validation croisée, GridSearchCV/RandomizedSearchCV.
      • Modélisation métier et scoring - 5/5 ●●●●●
        • Projets : Projets 6, 7, 15
        • Stack / preuve : LightGBM, scoring crédit, seuil métier, AUC, F1, Average Precision, comparaison baseline/challenger et gate de promotion.
      • Évaluation et interprétabilité ML - 5/5 ●●●●●
        • Projets : Projets 3, 4, 6, 7, 15
        • Stack / preuve : Métriques adaptées au besoin, matrices de confusion, seuils, feature importance, SHAP, prévention du data leakage et lecture métier des résultats.
      • Deep Learning et vision - 4/5 ●●●●○
        • Projets : Projets 2, 10
        • Stack / preuve : Hugging Face SegFormer, PyTorch, traitement d'images, segmentation, radiographies, extraction de features, clustering et semi-supervisé.
    • 🧠 LLM, NLP, RAG & agents
      • NLP, embeddings et RAG - 4/5 ●●●●○
        • Projets : Projets 8, 13
        • Stack / preuve : LangChain, FAISS, Milvus, embeddings, retrieval, évaluation RAG/RAGAS, API de question-réponse et collections Postman.
      • Agents IA et orchestration LLM - 4/5 ●●●●○
        • Projets : Projet 13
        • Stack / preuve : LangGraph, agent conversationnel, outillage RAG, intégration API YouTube, backend FastAPI et interface Angular.
      • LLM fine-tuning et alignement - 4/5 ●●●●○
        • Projets : Projet 14
        • Stack / preuve : Hugging Face Transformers, Qwen3, TRL SFTTrainer/DPOTrainer, PEFT/LoRA, Accelerate, datasets JSONL, MLflow tracking et merge d'adaptateurs.
      • Serving LLM et inférence - 4/5 ●●●●○
        • Projets : Projet 14
        • Stack / preuve : vLLM, API OpenAI-compatible, FastAPI, Gradio, stub déterministe, GPU T4, Lightning AI et Hugging Face Spaces GPU.
    • ♾️ MLOps, qualité & production
      • MLOps tracking et registry - 5/5 ●●●●●
        • Projets : Projets 6, 7, 14, 15
        • Stack / preuve : MLflow Tracking, MLflow Model Registry, DagsHub, versioning de runs, staging/production/archived et traçabilité modèle.
      • Monitoring, drift et observabilité - 5/5 ●●●●●
        • Projets : Projets 7, 14, 15
        • Stack / preuve : Evidently, River ADWIN/DDM/PageHinkley, Prometheus, Grafana, Grafana Cloud, dashboards, métriques API/métier/LLM et alerting potentiel.
      • CI/CD, tests et qualité logicielle - 5/5 ●●●●●
        • Projets : Projets 5, 7, 12, 13, 14, 15
        • Stack / preuve : GitHub Actions, pytest, coverage, Ruff, fail fast, secrets, smoke tests, tests E2E, gates de qualité et workflows manuels/planifiés.
      • Backend API et contrats applicatifs - 4/5 ●●●●○
        • Projets : Projets 5, 7, 8, 13, 14
        • Stack / preuve : FastAPI, OpenAPI/Swagger, endpoints /health /predict /metrics, authentification token, Postman et contrats d'échange.
      • Data engineering et orchestration - 4/5 ●●●●○
        • Projets : Projet 12, Projet 15
        • Stack / preuve : Airflow, DAGs, MongoDB, ETL multimodal, batchs parquet, snapshots de drift, resynchronisation et idempotence.
      • Cloud, conteneurs et déploiement - 4/5 ●●●●○
        • Projets : Projets 2, 5, 7, 14, 15
        • Stack / preuve : Docker, Docker Compose, Hugging Face Spaces, DagsHub, GitHub Actions, Aiven, Lightning AI et gestion de secrets.
    • 🧩 Produit, architecture & communication
      • Frontend et interfaces de démonstration - 3/5 ●●●○○
        • Projets : Projets 5, 13, 14
        • Stack / preuve : Angular, Gradio, dashboards, documentation d'API, écrans de démonstration et ergonomie de consultation.
      • Communication technique et architecture - 4/5 ●●●●○
        • Projets : Projets 9, 12, 13, 14, 15
        • Stack / preuve : README détaillés, rapports techniques, supports PowerPoint, PlantUML, C4, UML, schémas de flux et vulgarisation.
      • Gestion de projet et cadrage IA - 4/5 ●●●●○
        • Projets : Projets 1, 9, 15
        • Stack / preuve : Cadrage métier, besoins, risques, ROI, planning, arbitrages, livrables, preuves et capacité réflexive.
      • Anglais technique - 5/5 ●●●●●
        • Projets : Documentation et écosystème IA
        • Stack / preuve : Anglais courant : échanges professionnels, documentations techniques, APIs, bibliothèques IA/LLM, plateformes cloud et guides d'intégration.
  • ♾️ MLOps & industrialisation
    • Évaluation et interprétabilité ML - 5/5 ●●●●●
      • Projets : Projets 3, 4, 6, 7, 15
      • Preuve : Métriques adaptées au besoin, matrices de confusion, seuils, feature importance, SHAP, prévention du data leakage et lecture métier des résultats.
    • MLOps tracking et registry - 5/5 ●●●●●
      • Projets : Projets 6, 7, 14, 15
      • Preuve : MLflow Tracking, MLflow Model Registry, DagsHub, versioning de runs, staging/production/archived et traçabilité modèle.
    • Cloud, conteneurs et déploiement - 4/5 ●●●●○
      • Projets : Projets 2, 5, 7, 14, 15
      • Preuve : Docker, Docker Compose, Hugging Face Spaces, DagsHub, GitHub Actions, Aiven, Lightning AI et gestion de secrets.
  • 🗣️ Langues
    • Français - 5/5 ●●●●●
      • Langue maternelle — rédaction de rapports, présentations et soutenances.
    • Anglais - 5/5 ●●●●●
      • Courant (fluent) — échanges professionnels, documentations, APIs, papers et écosystème IA au quotidien.
  • 🤝 Soft skills
    • Esprit d'analyse
      • Je relie les besoins métier aux métriques, aux risques et aux choix techniques.
    • Résolution de problèmes
      • Je sais découper une difficulté en tests, hypothèses et validations reproductibles.
    • Curiosité technique
      • J'ai progressivement élargi mon périmètre du ML classique vers le RAG, les agents, les LLM et le MLOps.
    • Communication
      • Je transforme des systèmes techniques en supports lisibles : README, rapports, UML, présentations et dashboards.
    • Autonomie
      • Je sais mener un projet de bout en bout : cadrage, implémentation, test, documentation et livraison.
    • Rigueur
      • Je privilégie les preuves, les métriques, les tests et la traçabilité plutôt que les affirmations non vérifiées.
  • 🪞 Capacité réflexive
    • Ma perception du métier a évolué : je vois l'ingénierie IA comme une compétence full-stack sur le cycle de vie du système d'information, pas seulement comme l'entraînement de modèles.
    • Les projets MLOps m'ont appris que la valeur d'un modèle dépend autant de sa surveillance, de son déploiement et de sa maintenabilité que de sa métrique initiale.
    • Avec du recul, je structurerais plus tôt les preuves, les captures et les décisions d'architecture pour réduire l'effort de documentation en fin de projet.
    • Je veux approfondir le monitoring avancé, les architectures multi-agents et l'évaluation des LLM en conditions proches de la production.
  • 🚀 Axes d'amélioration
    • Approfondir le monitoring avancé et l'orchestration de modèles à grande échelle
    • Renforcer l'évaluation des LLM et des systèmes agentiques
    • Structurer les preuves de projet plus tôt dans le cycle de réalisation
    • Continuer à relier les choix techniques aux impacts métier
  • 🌐 Portfolio final
    • Support final : étape 3
    • Inclure la carte mentale, le projet personnel technique et le rapport
    • Soigner l'ergonomie, l'accessibilité, la navigation et les preuves visuelles
    • Analyser les compétences recherchées sur le marché pour orienter les prochains apprentissages

Niveaux de compétences et langues — diagramme

Auto-évaluation illustrée par barres de progression, groupée par domaine (exigence de l'étape 2).

Diagramme des niveaux de compétences et de langues