Des données.
Des modèles.
Des applications.

Contexte

À la CNJE, automatiser les tableaux de suivi internes pour l’ensemble des pôles et faciliter leur pilotage au quotidien.

Mon rôle

AI Engineer. J’ai automatisé les tableaux de suivi de l’ensemble des pôles.

Contributions

• Automatisation des tableaux de suivi de tous les pôles avec Google Sheets et Google Apps Script.
• Mise en place de traitements récurrents pour maintenir les suivis opérationnels.
• Prise en compte des besoins internes du réseau des Junior-Entreprises.

Résultats & limites

Plus de 2 000 exécutions automatisées par jour. Ce chiffre mesure les exécutions, pas le nombre d’utilisateurs ou le taux de réussite.

Mesures à compléter

• Période et méthode de comptage des exécutions
• Taux d’échec, mécanismes de reprise et supervision
• Temps économisé par rapport au suivi manuel

Contexte

Enrichir les données des Junior-Entreprises pour mieux caractériser leur positionnement à partir de leur offre de prestations et des domaines de leur école.

Mon rôle

J’ai conçu l’enrichissement par IA et les instructions de catégorisation.

Contributions

• Utilisation de l’API OpenAI avec GPT-5 mini pour produire des catégories à partir des informations disponibles.
• Rédaction d’instructions spécifiques et d’exemples pour guider la catégorisation.
• Définition de catégories telles que ingénieur numérique, mécanique / industriel, commerce / management, université pluridisciplinaire, design / communication, santé / pharmacie ou agro / environnement.

Résultats & limites

Enrichissement des données par catégories métier. Le taux de justesse, le volume traité et le coût total restent à mesurer.

Mesures à compléter

• Jeu annoté et accord avec les catégories attendues
• Gestion des catégories ambiguës ou redondantes
• Volume enrichi, coût par fiche et révision humaine

Contexte

Projet d’annuaire interne portant sur un référentiel de 90 000 profils de Junior-Entrepreneurs de la CNJE. Ce volume décrit le périmètre de données, pas le nombre de correspondances validées.

Mon rôle

J’ai développé le processus de recherche et d’enrichissement des profils.

Contributions

• Hébergement d’un modèle Mini Mistral sur un Mac mini pour le traitement IA local.
• Recherches Internet via Serper.dev, avec reformulation lorsque les premiers résultats ne conviennent pas et arrêt après cinq scénarios au maximum.
• Extraction du métier, du poste, de l’entreprise, de la localisation et de l’URL LinkedIn candidate.
• Association d’un indice de confiance de l’IA à chaque résultat pour aider à la revue et à l’amélioration.

Résultats & limites

78 % des profils trouvés et enrichis sur le périmètre de l’annuaire de 90 000 profils. Ce taux mesure la couverture de l’enrichissement, pas l’exactitude des correspondances. La part validée manuellement et le taux de faux rapprochements ne sont pas fournis. L’indice de confiance de l’IA n’est pas une probabilité d’identité correcte validée.

Mesures à compléter

• Part des profils enrichis validée manuellement et taux de faux rapprochements
• Nombre moyen de scénarios et coût des recherches
• Calibration de la confiance sur un échantillon revu manuellement

Contexte

Projet industriel de validation de données et de documents, avec une approche combinant règles explicites, IA générative et validation humaine. Le client et ses données restent anonymes.

Mon rôle

Développement full-stack, formalisation des règles avec les experts métier, proposition du chatbot documentaire et démonstrations client. Poursuite autonome du développement sur une partie du stage.

Contributions

• Développement d’une interface React / TypeScript et d’API Python FastAPI ; normalisation des échanges JSON et export des résultats vers Excel.
• Automatisation de contrôles de format et de cohérence, complétée par des prédicteurs DSPy avec entrées et sorties contraintes.
• Intégration de LLM via Azure OpenAI, post-traitement déterministe et validation des suggestions par l’utilisateur.
• Pipeline documentaire : ingestion PDF, OCR local si nécessaire, structuration par sections, extraction par LLM, normalisation puis export.
• Chatbot contraint au contenu du document, avec références aux sections utilisées et indice de confiance calculé à partir des log-probabilités des tokens.

Résultats & limites

Évaluation de l’extraction sur 1 064 documents annotés manuellement. Précisions par champ : nom du produit 90,3 %, date 98,3 %, langue 98,2 %, version 98,6 %, identifiants 94,5 % et mentions de danger 93,3 %. Les règles de comparaison incluent une tolérance de date de ± un mois et un seuil de similarité de 80 % pour les noms. Traitement documentaire huit fois plus rapide que le manuel ; le protocole chronométrique complet n’est pas fourni. Les prédicteurs obtiennent des F1 de 0,69, 0,74 et environ 0,81, à interpréter avec prudence : quatre fichiers sources et pas de séparation entraînement/test clairement décrite. Le code et les livrables ont été remis au client ; la mise en production finale n’est pas attestée.

Mesures à compléter

• Détail des effectifs par champ, erreurs et protocole de comparaison
• Validation indépendante sur des documents non vus
• Mesure de latence et de coût par étape ; calibration de la confiance

Contexte

Regrouper des données techniques par similarité en conservant une interprétation des groupes au moyen d’exemples réels : les médoïdes. La mission freelance prolonge les travaux du stage, avec un développement principalement consacré au clustering quantique.

Mon rôle

J’ai contribué au prétraitement, aux expérimentations et à la mise en œuvre de l’approche hybride avec les chercheurs. Durant la mission freelance, je me suis surtout consacré au développement du clustering quantique, principal projet de la startup à cette période. Les travaux théoriques et les baselines ont été élaborés en équipe.

Contributions

• Exploration de données mixtes, traitement des valeurs manquantes, réduction des redondances et réduction dimensionnelle.
• Calcul des dissimilarités et reformulation du clustering K-Medoids en optimisation binaire quadratique sans contrainte (QUBO).
• Résolution hybride via D-Wave Leap, puis décodage des médoïdes et affectation des points.
• Étude comparative avec des méthodes classiques : PAM, recuit simulé et recherche Tabu dans le cadre des expérimentations.
• Pipelines d’expérimentation Python ; NumPy, Pandas, PyTorch et Scikit-learn utilisés pendant la mission freelance.

Résultats & limites

Chaîne d’expérimentation et visualisations de clusters. Aucun gain quantique chiffré reproductible n’est revendiqué ici. Les conclusions comparatives nécessitent les conditions de calcul, les paramètres et les résultats bruts.

Mesures à compléter

• Hyperparamètres, seeds, versions et coût du solveur
• Qualité du clustering et temps total face aux baselines

Contexte

Identifier des zones d’eau dans des images satellitaires par une méthode non supervisée, tout en adaptant le calcul aux contraintes matérielles.

Mon rôle

Contribution à la segmentation d’images et à son intégration dans une chaîne d’analyse, en collaboration avec les chercheurs QbitSoft.

Contributions

• Préparation d’une représentation spectrale mettant en évidence l’eau, puis découpage en sous-images.
• Transformation des pixels en graphe pondéré et formulation du problème de segmentation en QUBO.
• Appel à un solveur D-Wave, décodage binaire puis réassemblage des masques.
• Évaluation par intersection sur union (IoU) ; aucune valeur numérique exploitable n’est fournie.

Résultats & limites

Production de masques d’eau et de segmentation, illustrée ci-dessous. L’IoU est utilisée pour l’évaluation, mais aucun score n’est présenté ici pour chiffrer une performance ou un avantage sur une méthode de référence.

Mesures à compléter

• Capteur, données et annotations de référence
• IoU agrégée, dispersion et taille du jeu de test
• Temps de traitement complet et effet du découpage

Contexte

Projet académique en équipe de cinq pour centraliser, filtrer et analyser les appels d’offres publics du BOAMP, avec interfaces utilisateur et administrateur.

Mon rôle

Lead Data au sein du projet. L’interface, le cloud et le pilotage relèvent d’une réalisation collective.

Contributions

• Chaîne data Python : récupération BOAMP, filtrage par date et marché, traitement des valeurs manquantes et sélection des colonnes.
• Enrichissement par LLM via Groq ; le modèle exact utilisé derrière ce service n’est pas précisé.
• Stockage DynamoDB séparant les appels d’offres en cours et les marchés attribués.
• Architecture du chatbot : détection d’intention, recherche de similarité selon le besoin, création du prompt et appel à GPT-4o.
• Application Nuxt sur AWS, avec personnalisation de l’interface, administration des accès et recommandations, développée en équipe.

Résultats & limites

Plateforme avec interface utilisateur, administration, chatbot et recommandations. La pertinence, la charge supportée et le gain commercial restent à mesurer. Les évolutions Salesforce et l’élargissement historique sont des perspectives.

Mesures à compléter

• Volume effectivement ingéré et fréquence des mises à jour
• Évaluation des recommandations et de la fidélité des réponses
• État final des deux modules marqués « à implémenter »

Contexte

Transformer des avis de restaurants en indicateurs et recommandations dans le cadre d’un projet collectif.

Mon rôle

Nous avons travaillé à trois sur l’ensemble des tâches data, le code Python, les interfaces Tkinter et Flask et le déploiement Azure.

Contributions

• Import CSV ou récupération paginée des avis via le service tiers The Fork / The Spoon sur RapidAPI ; filtrage de la langue anglaise avec langdetect.
• Manipulation des avis avec Pandas et analyse de sentiment avec Transformers pipeline("sentiment-analysis") : étiquette et score par avis.
• Graphiques Matplotlib / Seaborn : distributions, notes et évolution temporelle ; nuages de mots avec WordCloud.
• Génération de conseils via GPT-3.5 Turbo à partir de statistiques et d’un prompt.
• Développement d’un prototype Tkinter puis d’une version web Flask avec templates HTML, déployée sur Azure.

Résultats & limites

Collecte d’avis, analyse de sentiment, graphiques et génération de conseils. Aucun score de classification sur un jeu de test annoté n’est présenté. Le score renvoyé par le modèle n’est pas une mesure d’exactitude. Les graphiques illustrent un cas d’usage, sans constituer un benchmark.

Mesures à compléter

• Modèle de sentiment et versions des dépendances
• Volume d’avis, métriques sur jeu annoté et validation des agrégats

Contexte

Prototype académique collectif de vision et de simulation de drones, associant perception vidéo, environnement 3D et actionnement matériel.

Mon rôle

Je me suis occupé de Python / OpenCV, de la coordination du projet et de l’électronique, avec mon propre drone Parrot Anafi. Le projet a été réalisé en équipe de quatre ; la partie Unreal / C++ relève du travail de l’équipe.

Contributions

• Acquisition du flux du Parrot Anafi en Wi-Fi ; le programme Python utilise OpenCV et FFmpeg pour lire un flux RTSP.
• Conversion en niveaux de gris et détection de visages par cascade de Haar. La reconnaissance nominative est une fonction distincte, dont l’implémentation complète reste à détailler.
• Simulation dans Unreal Engine, avec MetaHuman et Quixel Megascans pour l’environnement ; caméra et lidar simulés.
• Envoi d’images depuis Unreal vers Python par socket TCP, avec un programme C++ .
• Déclenchement d’un gyrophare par Arduino et relais 12 V dans le prototype matériel.

Résultats & limites

Simulation et essais avec un Parrot Anafi et un gyrophare. Résultats annoncés : > 91 % de réussite pour la coordination / communication et classement 6e sur 220. Le protocole du taux de réussite et le justificatif du classement restent à compléter. Aucun score de reconnaissance faciale n’est établi.

Mesures à compléter

• Protocole du taux > 91 % et justificatif du classement
• Bibliothèque et validation de la reconnaissance nominative
• Latence vidéo, FPS et robustesse en conditions variables

Contexte

Vice-président, trésorier et responsable qualité au sein de la Junior-Entreprise. Mandats annuels de septembre à septembre.

Mon rôle

Vice-président, trésorier et responsable qualité, dans le cadre de mandats annuels de septembre à septembre.

Contributions

• Participation aux orientations stratégiques.
• Gestion d’un budget annuel de 200 k€ : planification, trésorerie et suivi des flux.
• Encadrement du pôle Études, coordination des projets de conseil et relations clients.

Résultats & limites

Budget annuel géré : 200 k€. Ce montant correspond au budget piloté, pas à un chiffre d’affaires ni à un gain généré.

Mesures à compléter

• Nombre d’études coordonnées
• Délais de livraison et satisfaction client

Contexte

Président et vice-président d’une association d’électronique et d’innovation.

Mon rôle

Président et vice-président, dans le cadre de mandats annuels de septembre à septembre. Participation à la formation des étudiants de l’EFREI aux machines de l’Innovation Lab.

Contributions

• Conception, prototypage et programmation de systèmes électroniques.
• Utilisation d’Arduino, Raspberry Pi, IoT et domotique.
• Formation des étudiants de l’EFREI aux machines de l’Innovation Lab : impression 3D, découpe laser, usinage CNC et prototypage rapide.

Résultats & limites

Conception de systèmes électroniques et formation à la fabrication numérique. Le nombre de prototypes et de participants reste à préciser.

Mesures à compléter

• Prototypes réalisés et cas d’usage
• Nombre de formations et de participants
• Fiabilité et retour d’usage des systèmes