Ingénieur IA full-stack · Senior Developer
Ingénieur logiciel senior et ingénieur IA full-stack, j'interviens sur tout le cycle de vie du système d'information : cadrage, data engineering, modèles ML/LLM, APIs, MLOps, CI/CD, monitoring et amélioration continue, avec un ancrage métier en assurance crédit.
Mon projet personnel technique : quand la dérive des données d'un scoring crédit est détectée, le modèle est réentraîné, validé et promu en production automatiquement. Data drift (Evidently, quotidien) et model drift (River, hebdomadaire) déclenchent tous deux le réentraînement ; une gate AUC protège la production. Tout est visitable, en vrai :
Code source, 13 diagrammes UML et rapport de conduite de projet →
Chaque projet est documenté, testé et versionné — le code fait foi.
Accès serverless au modèle `segformer_b2_clothes` pour segmenter automatiquement des images de vêtements et de personnes.
Modélisation supervisée des émissions de CO2 et de la consommation énergétique de bâtiments à Seattle.
Classification supervisée pour identifier les causes d'attrition dans une ESN, avec données SIRH, évaluations et sondage.
Transformation d'un modèle ML en service exploitable : API, CI/CD, base de données, tests et documentation.
Première structuration MLOps autour du scoring crédit : préparation, expérimentations MLflow, optimisation et seuil métier.
Industrialisation du scoring crédit : API, conteneurisation, CI/CD, monitoring, environnements DEV/TEST/PROD et détection de drift.
Conception et déploiement d'un système RAG avec preprocessing OpenAgenda, FAISS, LangChain, API et conteneurisation.
Cadrage métier, planification, dimensionnement économique, gestion des risques et conformité des données personnelles.
Exploration de radiographies, extraction de features, clustering et apprentissage semi-supervisé.
Exercices CartPole, FrozenLake, DQN et mission Eagle-1 sur LunarLander.
Pipeline local de qualification, extraction, transformation, orchestration Airflow, stockage MongoDB et monitoring KPI.
Agent IA pour l'apprentissage des échecs : LangGraph, RAG Milvus, API YouTube, Angular et packaging Docker.
POC d'agent de triage médical : dataset, SFT LoRA, DPO, MLflow Registry, vLLM, FastAPI et supervision.
Projet personnel technique : drift détecté, réentraînement, validation et promotion automatique du modèle.
J'ai analysé les compétences recherchées sur le marché de l'ingénierie IA pour positionner mon profil et orienter mes prochains apprentissages.
| Compétence | Signal marché | Statut | Mes preuves / plan |
|---|---|---|---|
| Spécialisation domaine (finance / assurance crédit) | Les offres d'ingénierie IA valorisent fortement l'ancrage métier | Acquis | Allianz Trade + projets de scoring P6, P7, P15 |
| MLOps production : CI/CD, monitoring, registry | Le socle exigé partout — un modèle doit être déployé, surveillé, mis à jour | Acquis | P5-P7, P15 — MLflow, Evidently, River, GitHub Actions, fail fast |
| RAG & bases vectorielles | Présent dans ~65 % des offres LLM appliqué | Acquis | P8, P13 — FAISS, Milvus, LangChain, sentence-transformers, RAGAS |
| Fine-tuning & serving de LLM | Les spécialistes LLM sont les profils les plus recherchés | Acquis | P14 — SFT/LoRA, DPO, vLLM, quantification des coûts GPU |
| Agents IA & orchestration | L'agentic AI est la vague 2026 (tool calling, MCP) | Acquis | P13 — LangGraph, agent outillé, intégrations externes |
| Évaluation des LLM & guardrails | L'eval design devient un critère d'embauche différenciant | En cours | RAGAS pratiqué (P8) — j'approfondis l'évaluation en conditions de production |
| Kubernetes & orchestration | ~18 % des offres MLOps le mentionnent explicitement | Acquis | Expérience professionnelle : AWS EKS (Kubernetes managé), Redshift |
| Plateformes cloud IA managées (SageMaker, Vertex AI) | Fréquent dans les grands comptes | Acquis | Certifié en IA multi-cloud : AWS, Azure, Microsoft et Oracle |
Sources : Second Talent — In-demand AI engineering skills 2026 · Digital Applied — AI developer hiring 2026 · Futurense — AI skills in demand
Full-Stack AI Engineer · Senior Developer
Senior software engineer and full-stack AI engineer, I work across the entire information-system lifecycle: scoping, data engineering, ML/LLM models, APIs, MLOps, CI/CD, monitoring and continuous improvement, grounded in the trade credit insurance business.
My personal technical project: when data drift is detected on a credit-scoring model, it is retrained, validated and promoted to production automatically. Data drift (Evidently, daily) and model drift (River, weekly) both trigger retraining; an AUC gate protects production. Everything below is real and browsable:
Each project is documented, tested and version-controlled — the code is the source of truth.
Serverless access to the `segformer_b2_clothes` model to automatically segment images of clothes and people.
Supervised modelling of CO2 emissions and energy consumption for buildings in Seattle.
Supervised classification to identify attrition causes at an IT consultancy, using HR, evaluation and survey data.
Turning an ML model into a production-ready service: API, CI/CD, database, tests and documentation.
First MLOps structuring around credit scoring: data prep, MLflow experiments, optimisation and business threshold.
Industrialising credit scoring: API, containerisation, CI/CD, monitoring, DEV/TEST/PROD environments and drift detection.
Designing and deploying a RAG system with OpenAgenda preprocessing, FAISS, LangChain, API and containerisation.
Business scoping, planning, cost sizing, risk management and personal-data compliance.
Exploring X-rays, feature extraction, clustering and semi-supervised learning.
CartPole, FrozenLake, DQN exercises and the Eagle-1 mission on LunarLander.
Local pipeline for source qualification, extraction, transformation, Airflow orchestration, MongoDB storage and KPI monitoring.
An AI agent for learning chess: LangGraph, Milvus RAG, YouTube API, Angular and Docker packaging.
Medical-triage agent POC: dataset, SFT/LoRA, DPO, MLflow Registry, vLLM, FastAPI and monitoring.
Personal technical project: drift detection, retraining, validation and automatic model promotion.
I analysed the skills sought on the AI engineering job market to position my profile and guide what I learn next.
| Skill | Market signal | Status | My evidence / plan |
|---|---|---|---|
| Domain specialisation (finance / trade credit insurance) | AI engineering roles strongly value real business-domain grounding | Acquired | Allianz Trade + scoring projects P6, P7, P15 |
| Production MLOps: CI/CD, monitoring, registry | The baseline expected everywhere — a model must be deployed, monitored, updated | Acquired | P5-P7, P15 — MLflow, Evidently, River, GitHub Actions, fail fast |
| RAG & vector databases | Present in ~65% of applied-LLM job postings | Acquired | P8, P13 — FAISS, Milvus, LangChain, sentence-transformers, RAGAS |
| LLM fine-tuning & serving | LLM specialists are among the most sought-after profiles | Acquired | P14 — SFT/LoRA, DPO, vLLM, GPU cost sizing |
| AI agents & orchestration | Agentic AI is the 2026 wave (tool calling, MCP) | Acquired | P13 — LangGraph, tool-using agent, external integrations |
| LLM evaluation & guardrails | Eval design is becoming a differentiating hiring criterion | In progress | RAGAS practised (P8) — I'm deepening evaluation under production conditions |
| Kubernetes & orchestration | ~18% of MLOps postings mention it explicitly | Acquired | Professional experience: AWS EKS (managed Kubernetes), Redshift |
| Managed cloud AI platforms (SageMaker, Vertex AI) | Common in large enterprises | Acquired | Certified in multi-cloud AI: AWS, Azure, Microsoft and Oracle |
Sources: Second Talent — In-demand AI engineering skills 2026 · Digital Applied — AI developer hiring 2026 · Futurense — AI skills in demand