📍 Localisation : Bruz, France (Mobile) 🔗 Réseaux : LinkedIn
Actuellement en dernière année à l'ENSAI (École Nationale de la Statistique et de l'Analyse de l'Information), je combine une double compétence en Statistiques/Mathématiques et en Informatique.
Mon objectif n'est pas seulement de créer des modèles, mais de construire l'infrastructure robuste nécessaire pour les déployer et les maintenir en production. Je m'intéresse particulièrement aux problématiques de Scalabilité, de CI/CD pour la Data et à la Sécurité de l'IA (Federated Learning).
Projet de recherche académique dans le domaine du Federated Learning
- Objectif : Réproduire l'expérience du Clean Label Attack (Yingqiang Xie & Tianqing Zhu)
- Contexte : Modèle d'apprentissage coopératif, Architecture CNN (pour les images CIFAR-10, MNIST), Clean Label Attack (model poisoning, no label flip, cost function maimization, epsilon noise)
- Résultats : Une attaque réussie pour le scenario IID (où tous les participant ont la même distribution des données) mais une contraste pour le scenario Non-IID qui est instable selon les données (image 3232 ou 6464, RGB ou BW) mise en pratique
Déploiement d'une solution complète de prédiction météorologique.
- Architecture : Conception d'une API RESTful (Django) connectée à un frontend réactif (React).
- DevOps : Conteneurisation de l'application via Docker et orchestration sur un cluster Kubernetes.
- Impact : Mise en production d'un modèle prédictif avec gestion de la scalabilité.
- Stack :
Python,Django REST,React.js,Docker,Kubernetes
Optimisation de budget pour les consommateurs de streaming.
- Objectif : Algorithme calculant la combinaison d'abonnements optimale basée sur la "Watchlist" de l'utilisateur.
- Tech : Intégration de l'API TMDB pour la récupération de données en temps réel et interface interactive via Streamlit.
- Stack :
Python,SQL,FastAPI,Streamlit,Data Processing
- 🏗️ Architecture Data Avancée : Approfondissement sur Spark et les patterns Big Data.
- ⚙️ MLOps : Automatisation complète du cycle de vie des modèles (DVC, MLFlow).
- 🔒 IA de Confiance : Recherche active sur le Federated Learning et la confidentialité différentielle.
"Rome ne s'est pas faite en un jour."
C'est avec cet état d'esprit d'amélioration continue que j'aborde mes projets d'ingénierie.
Prêt à relever de nouveaux défis ? Discutons-en !