Ingénieur IA/ML avec plus de 4 ans d'expérience dans la conception de systèmes LLM, RAG et vision par ordinateur à grande échelle — de la recherche vectorielle au service de modèles, jusqu'à des pipelines MLOps supportant jusqu'à 20M de requêtes quotidiennes.
Ingénieur IA/ML
Je suis ingénieur IA/ML et je conçois et déploie des systèmes de production de bout en bout — des fonctionnalités propulsées par des LLM et des pipelines RAG jusqu'à la recherche vectorielle, le service de modèles et l'observabilité. Je travaille sur l'ensemble du cycle de vie avec Python, FastAPI, Docker, Kubernetes et Triton sur AWS et GCP.
Je suis titulaire d'un Master en Intelligence Artificielle et Machine Learning de l'Université d'Adélaïde et d'une licence en Informatique de FAST-NUCES. J'apporte une approche pragmatique, orientée produit, avec une forte exigence de performance et de fiabilité.
Ce que je fais
Formation
Master en Intelligence Artificielle et Machine Learning
Université d'Adélaïde
Stealth Startup · À distance
Add Life Technologies · Sur site
Vyro · À distance
Moteur de recherche produit vectoriel construit avec Elasticsearch et des embeddings de transformers, améliorant la pertinence de recherche de 35 à 45 % sur tout le catalogue.
Fonctionnalité de recettes propulsée par LLM et RAG — entrez le nom d'un plat et obtenez une recette dont les ingrédients sont associés sémantiquement à des produits du supermarché et ajoutés directement au panier.
Web scrapers en temps réel pour Coles, Aldi, IGA et Woolworths, gardant à jour des milliers de fiches produit.
Pipeline de normalisation des produits qui nettoie les noms de produits mal formatés et génère des embeddings pour améliorer le classement de recherche et le regroupement de produits.
Application de suivi corporel en temps réel intégrant MediaPipe à Unity, optimisée pour mobile avec une réduction de latence de 40 %.
Application mobile multiplateforme propulsée par l'IA, avec un backend FastAPI et un frontend Flutter pour un streaming vidéo temps réel fluide.
Architecture de service ML sur mesure pour ImagineArt — plus de 30 modèles, jusqu'à 20M de requêtes/jour et 99,5 % de disponibilité sur FastAPI, Docker et Kubernetes.
Déploiement sur Triton Inference Server pour Phototune (plus de 10M de téléchargements), optimisé pour un temps de réponse de 2–3 secondes.
Architecture serverless basée sur Docker pour l'entraînement d'avatars à la demande via Runpod et AWS, réduisant le délai de plusieurs heures à 15 minutes.
SDK Python pour héberger tout workflow Stable Diffusion en production, réduisant de 80 % le temps de mise en service grâce à la réutilisation.
Copilote emploi agentique basé sur des sessions, utilisant FastAPI, LangGraph et PostgreSQL + pgvector pour analyser l'adéquation au poste, adapter les CV, rédiger des messages et conserver une mémoire sémantique entre les échanges.
Relecteur de pull requests propulsé par l'IA combinant RAG avec une recherche de contexte basée sur FAISS, un raisonnement LLM et GitHub Checks — en exécution directe ou via une file Celery/Redis.
Système domotique utilisant un CNN et React Native, reconnaissant des commandes vocales en ourdou avec plus de 85 % de précision pour piloter les appareils du foyer.
Pipeline de deep learning pour la prévision de séries temporelles financières multi-horizons avec RNN, GRU et LSTM — le meilleur modèle GRU atteint un RMSE ≈ 0,024.
Framework PyTorch modulaire pour comparer des architectures CNN (ResNet-18, MobileNetV2, GoogLeNet, AlexNet) avec recherche en grille sur les optimiseurs et hyperparamètres.
Pipeline de classification binaire de bout en bout pour la détection de risque clinique, avec correction du déséquilibre de classes via SMOTE et évaluation ROC-AUC/matrice de confusion.
