Portfolio

Contexte. Flow Line, intégrateur ERP historique en transition vers un positionnement d’ESN, a lancé une plateforme d’IA qui se branche sur l’ERP de ses clients (connecteur de référence Sage X3, architecture conçue pour être agnostique) et en extrait les données supply chain. À partir de ce socle, elle délivre plusieurs services décisionnels : prévision des ventes, ordonnancement et planification de production, détection d’anomalies et prospection client, optimisation des approvisionnements jusqu’aux propositions de commande. Le cœur repose sur du machine learning classique, explicable, frugal et ré-entraînable client par client, et chaque capacité est conçue pour être pilotée par des agents IA. C’est le produit stratégique du groupe.

Mon rôle. Responsable de la plateforme : j’en porte l’architecture, et l’ensemble des décisions techniques et produit passent par moi. Au sein d’une équipe IA de quatre personnes, j’industrialise les approches de data science validées en amont pour en faire des services fiables, sécurisés et exploitables en production.

Réalisations clés.

• Architecture : socle modulaire par domaine (prévision, ordonnancement, anomalies, approvisionnements) au-dessus d’une couche commune d’ingestion et de normalisation des données ERP, conception multi-tenant avec cloisonnement strict des données de chaque client

• Industrialisation : orchestration avec Prefect (ingestion, ré-entraînement, calculs planifiés), versionnement et suivi des modèles avec MLflow, artefacts et jeux de données sur RustFS, tests, intégration continue, supervision et reprise sur erreur

• Couche agentique (ADK + serveurs MCP bâtis avec FastMCP) : chaque capacité métier exposée comme un outil documenté appelable par un agent, garde-fous et validation humaine avant toute action à effet de bord, traçabilité complète

• Sécurité et conformité : contrôle d’accès, gestion des secrets, isolation des environnements clients, auditabilité des traitements

• Cadrage technique des nouveaux cas d’usage avec l’équipe data science, revue de code, appui à l’avant-vente (démonstrations, exigences techniques et sécurité des prospects)

Contexte. APERAM a confié à Flow Line la réalisation d’un outil sur mesure de planification et d’optimisation des ordres de fabrication. L’enjeu : permettre aux planificateurs de construire, comparer et ajuster des plans de production optimisés, sans passer par un outil expert difficile d’accès.

Mon rôle. Le moteur d’optimisation a été conçu par l’équipe data science. Je suis intervenu pour le rendre agentique : en faire un outil pilotable en langage naturel, traçable et sûr.

Réalisations clés.

• Couche agentique (ADK) exposée via un chatbot, permettant aux planificateurs de dialoguer avec le solveur en langage naturel

• Outillage de l’agent : déplacement et replanification d’ordres de fabrication, exécution du moteur d’optimisation (OR-Tools), comparaison de scénarios, restitution lisible des changements

• Traçabilité complète : journalisation de chaque action de l’agent, historique des modifications, réversibilité des décisions

• Garde-fous : contrôle des contraintes métier et validation humaine avant application d’un plan

Contexte. Plateforme interne de centralisation et d’orchestration intelligente de la connaissance, qui unifie l’accès aux documents, bases de données et ressources d’entreprise via un agent conversationnel IA capable de répondre en langage naturel (RAG, text-to-SQL, SQL-to-visualisation).

Mon rôle. Conception, développement et déploiement de l’intégralité de la plateforme, à l’exception du développement initial des APIs, que j’ai migrées de Flask vers FastAPI.

Réalisations clés.

• Création d’un serveur MCP (Model Context Protocol) fournissant dynamiquement des outils contextuels à l’agent IA selon les requêtes utilisateur

• Déploiement sur Azure Kubernetes Service (AKS) avec Terraform, CD via Flux CD (GitOps)

• Pipelines CI dans Azure DevOps (build, test, packaging, validation)

• Intégration des modules IA (RAG, text-to-SQL, SQL-to-viz) dans une architecture Kubernetes scalable, interface utilisateur, gestion du contexte conversationnel et des droits d’accès

Contexte. L’Université Jean Moulin Lyon 3 souhaitait améliorer l’accès à l’information sur sa plateforme Moodle : étudiants et enseignants ont souvent besoin d’aide pour naviguer dans les cours, retrouver des documents ou obtenir des informations administratives.

Mon rôle. Conception et déploiement d’un chatbot RAG on-premise sur l’infrastructure de l’université, garantissant la sécurité et la confidentialité des données internes.

Réalisations clés.

• Chatbot RAG on-premise répondant en temps réel à partir de la base documentaire interne de l’université

• Intégration avec Moodle : consultation automatisée des documents pédagogiques et administratifs, assistance à la navigation dans les cours

• Structuration de la base documentaire avec les équipes informatique et pédagogique, itérations sur la pertinence des réponses

• Suivi de performance et supervision pour garantir la fiabilité et la sécurité de l’outil

Contexte. La SNCF cherchait à transmettre le savoir de ses collaborateurs expérimentés aux nouveaux arrivants. Une preuve de concept avait démontré la chaîne complète (entretiens, transcription via Azure AI Speech, synthèse via Azure OpenAI, restitution par un chatbot RAG adossé à Azure AI Search), mais n’était pas exploitable en l’état : pas de tests, pas de déploiement reproductible, pas de supervision, des coûts non maîtrisés.

Mon rôle. Industrialisation de la solution : refactor complet de la preuve de concept pour en faire une application déployable, maintenable et exploitable en production.

Réalisations clés.

• Passage d’un prototype monolithique à une application modulaire : captation, transcription, synthèse, indexation et restitution deviennent des composants isolés, testables et remplaçables

• Mise en production sur Azure Container Apps : conteneurisation, CI/CD, gestion des secrets et des identités managées, environnements séparés, supervision

• Maîtrise des coûts : rationalisation des appels aux services cognitifs, mise en cache et traitement par lots

• Cloisonnement strict des accès aux données sensibles, couverture de tests et documentation pour la reprise par les équipes SNCF

Contexte. Le Crédit Agricole Technologies et Services souhaitait accélérer l’analyse et la restitution des résultats d’enquêtes internes via une plateforme générant automatiquement des rapports PowerPoint enrichis de graphiques, en combinant RAG, visualisation automatisée et génération de rapports.

Mon rôle. Optimisation de l’infrastructure, automatisation des déploiements et livraison technique au client.

Réalisations clés.

• Réorganisation des clusters AWS ECS et migration ciblée vers AWS Lambda pour réduire les coûts et la complexité

• Pipelines CI/CD avec AWS CodePipeline : déploiements rapides, fiables et reproductibles, sans intervention manuelle

• Livraison du code avec documentation et accompagnement du client dans l’intégration à son architecture interne (environnements, sécurité, interconnexions)

Contexte. En collaboration avec Dell, l’objectif était de proposer une solution on-premise complète pour la mise en production de modèles d’IA dans des secteurs réglementés ou sensibles : infrastructure matérielle optimisée, stack MLOps sur mesure, services de maintenance et de gouvernance.

Mon rôle. Conception de la plateforme Sovereign AI, en particulier la partie MLOps, des choix d’architecture jusqu’à la mise en œuvre technique.

Réalisations clés.

• Infrastructure MLOps complète orchestrée avec Kubernetes : ingestion de données, entraînement, déploiement et monitoring de modèles IA

• Pipelines ML avec Python et Apache Airflow, déploiement continu des modèles avec Argo CD, versionnement et suivi avec MLflow

• Sélection et intégration d’outils adaptés à un usage on-premise : scalabilité, sécurité des données, maintenabilité

Contexte. Scottish Water, principal fournisseur d’eau potable en Écosse, souhaitait passer d’une gestion réactive à une gestion proactive et prédictive de son réseau d’assainissement, en s’appuyant sur les données en temps réel de 4 000 capteurs IoT, pour réduire les incidents de pollution et les inondations et se conformer aux exigences de la SEPA.

Mon rôle. En charge de la partie MLOps, au sein d’une équipe pluridisciplinaire (hydrologues, data scientists, data engineers, architecte data).

Réalisations clés.

• Pipelines ML de bout en bout sur Azure Databricks : ingestion, traitement PySpark, entraînement et déploiement de modèles, monitoring

• Traçabilité des expériences avec MLflow

• Intégration et déploiement continus avec Azure DevOps

Contexte. Aider les équipes DevOps dépourvues d’expertise en cybersécurité à automatiser la détection et la correction de vulnérabilités dans le code. La solution combine des outils SAST/DAST (KICS) à un LLM on-premise utilisant le RAG, capable de générer automatiquement des pull requests correctives.

Mon rôle. Conception et développement de l’infrastructure technique de la plateforme AI4Code dans son ensemble.

Réalisations clés.

• Infrastructure on-premise : Docker, Kubernetes, Airflow et Argo CD pour orchestrer les workflows d’analyse et de génération de correctifs

• Ray Serve pour la gestion distribuée des appels au LLM, RAG avec ChromaDB pour des correctifs contextuels

• Boucle d’apprentissage par renforcement : les prompts sont affinés automatiquement selon l’acceptation ou non des pull requests

• Monitoring avec Prometheus et Grafana, stockage d’artefacts avec MinIO

• Plateforme entièrement configurable via YAML (IaC), agnostique aux projets, aux LLM et aux dépôts Git

Contexte. La Métropole Aix-Marseille-Provence a confié à Atos la mise en œuvre d’une solution d’IA pour améliorer le traitement des signalements citoyens via l’application mobile « Ma Métropole Dans Ma Poche ». Objectif : automatiser la catégorisation des incidents signalés (propreté, voirie, signalisation) grâce à l’analyse d’images, afin de réduire les délais d’intervention des services techniques.

Mon rôle. Mise en place de l’infrastructure réseau et de sécurité pour le déploiement industrialisé des modèles IA sur deux machines virtuelles.

Réalisations clés.

• Reverse proxies avec Traefik et Kong : gestion sécurisée du trafic, routage des requêtes et exposition contrôlée des services IA

• Configuration des certificats, redirections HTTPS et mécanismes d’authentification et de restriction d’accès

Contexte. Conception d’une plateforme MLOps dédiée au traitement de données IoT pour la détection d’anomalies, dont l’innovation majeure est l’apprentissage par renforcement pour sélectionner dynamiquement les datasets d’entraînement en fonction du contexte et des performances attendues.

Mon rôle. Pilotage de la conception de l’architecture MLOps, développement de la chaîne de traitement des données de bout en bout et contribution à la rédaction du brevet avec l’équipe experte d’Atos.

Réalisations clés.

• Chaîne complète, de l’ingestion IoT jusqu’au déploiement des modèles de détection d’anomalies

• Module d’apprentissage par renforcement guidant la sélection des datasets en production

• Co-inventeur de deux brevets : US2024412073A1 (États-Unis) et EP4475044B1 (Europe, délivré en janvier 2026)

• Lauréat du Trophée de l’inventeur Atos 2023

Contexte. Mission interne de R&D chez Atos : développer une plateforme MLSecOps pour sécuriser les chaînes complètes de traitement de données et de déploiement de modèles IA, via l’enregistrement d’empreintes d’intégrité sur la blockchain Ethereum à l’aide de smart contracts.

Mon rôle. Développement et intégration de l’ensemble de la plateforme (hors smart contracts).

Réalisations clés.

• Chaînes MLOps sécurisées, de l’ingestion des données jusqu’au déploiement des modèles

• Intégration avec la blockchain Ethereum pour vérifier l’intégrité des étapes critiques (datasets, modèles, artefacts)

• Mécanisme de preuve d’intégrité via des empreintes publiées dans des smart contracts

• Infrastructure Docker on-premise sécurisée et workflows de vérification automatisés

Contexte. Atout Majeur Concept, éditeur de logiciels pour établissements hospitaliers, souhaitait améliorer la gestion des flux de brancardage. Objectif : modéliser le système d’affectation des brancardiers pour minimiser les temps d’attente des patients et optimiser les trajets dans l’établissement.

Mon rôle. Ingénieur en recherche opérationnelle, en charge de la conception et de l’implémentation des modèles d’optimisation.

Réalisations clés.

• Modélisation mathématique du problème d’affectation avec contraintes de temps, de disponibilité et de priorité

• Résolution par programmation linéaire en nombres entiers (MILP) avec CPLEX Studio

• Proposition de scénarios d’amélioration concrets pour le pilotage opérationnel des brancardiers

Contexte. Le Service de Médecine d’Urgence du Centre Hospitalier de Castelnaudary avait besoin d’un outil de suivi du temps de travail et de gestion du planning des médecins urgentistes. Le projet impliquait une collaboration entre les Urgences, la Direction des Affaires médicales et le service Informatique.

Mon rôle. Seul développeur, de l’élaboration du cahier des charges jusqu’à la livraison.

Réalisations clés.

• Recueil des besoins auprès des responsables de chaque service impliqué

• Développement d’un logiciel de gestion du planning en VBA Excel livré en 2 semaines

• Formation du chef de service pour lui permettre de poursuivre le développement de l’outil

Contexte. L’Institut Medicoach souhaitait rendre accessible en ligne sa base de données de compléments alimentaires et médicaments, avec des informations détaillées sur chaque produit : compositions, indications thérapeutiques, interactions et contre-indications.

Mon rôle. Développeur web unique, de la conception à la mise en production.

Réalisations clés.

• Développement d’une interface de recherche en PHP et JavaScript permettant d’interroger la base de données

• Affichage des fiches produit : compositions, propriétés, usages, compatibilités et incompatibilités

• Intégration et déploiement sur l’infrastructure de l’institut