IA agentique
Orchestration multi-agents, avec des frontières d'outils MCP et une recherche CRAG. L'agent lit la demande, les contrats typés et les solveurs exacts font le reste.
Doctorat en mathématiques appliquées · en production depuis 2018
Chercheur en intelligence artificielle et ingénieur IA/ML
Maths Agents Production
Je construis des systèmes d'IA agentique et je les mets entre les mains d'utilisateurs réels : orchestration multi-agents, RAG et MCP, déployés sur Azure derrière des contrats typés, une suite de tests et une porte d'approbation humaine. Le doctorat en mathématiques appliquées, c'est là que j'ai appris à prouver qu'un système fonctionne avant de le livrer.
Consultant en ingénierie d'agents, en évaluation, en RAG et ingénierie de contexte, et en déploiement de production. Près de Munich, sur site, en hybride ou à distance.
Ce que je fais
Mes domaines
ML en production
Des chaînes de traitement qui survivent à la passation : conteneurs, CI/CD, supervision et un chemin de retour arrière. Le déploiement fait partie de la construction, au même titre que le code.
Systèmes d'apprentissage profond
Entraînement distribué et parallélisme de modèle sur grappes de calcul intensif. Les taux d'apprentissage viennent de la théorie, au lieu d'une recherche qui coûte des heures de GPU.
Recherche et évaluation
Une analyse de convergence publiée chez Springer Nature, et les cadres d'évaluation qui vous disent si un modèle a vraiment progressé.
Travaux choisis
Projets mis en avant
Tous les projets d'ingénierie IAUn système multi-agents déployé, une chaîne d'alignement, une pile de recherche d'information et un modèle de prévision que des exploitants utilisent toujours. Chaque chiffre ci-dessous ouvre l'étude de cas qui le porte.
Multi-agents · déployé
Copilote agentique pour la chaîne d'approvisionnement
Un planificateur pose une question d'approvisionnement en langage courant. Le système fait le calcul exact au lieu de l'estimer, et s'arrête pour l'accord d'un responsable au-delà de 10 000 $.
Un agent LangGraph oriente la question vers 1 des 7 solveurs exacts (OR-Tools, CVXPY, SciPy) ou vers une chaîne CRAG sur pgvector. Des entrées Pydantic typées séparent le modèle des solveurs, et une porte humaine suspend toute décision au-delà de 10 000 $ jusqu'à l'accord d'un responsable.
- LangGraph
- FastMCP
- Neo4j
- pgvector
- OR-Tools
- Azure AKS
- Bicep
Alignement de modèles frontières · conseil en cours
IA agentique et stratégies de post-entraînement
Rendre les modèles frontières meilleurs sur les problèmes scientifiques difficiles, et concevoir la notation pour que le progrès se mesure au lieu de s'affirmer.
RLVR quand la réponse est objective, RLHF quand elle ne l'est pas, et des grilles de critères entre les deux pour une notation graduée. Avec l'analyse des trajectoires d'agents et les jeux de préférences qui alimentent le SFT et le DPO.
- RLHF
- RLVR
- SFT
- DPO
- Chain-of-Thought
- Rubric evaluation
Recherche d'information · en cours
RAG hybride pour des réponses citées sur des articles de recherche
Jeu de référence QASPERUne chaîne qui répond aux questions sur des articles de recherche avec une citation dans chaque phrase, et un audit de mon propre code d'évaluation.
Recherche SPECTER2 et BM25, classement ColBERT v2 et génération par Llama-3.1-8B. J'ai récupéré le corps des tableaux depuis les sources LaTeX d'arXiv pour 809 articles sur 888.
- ColBERT v2
- SPECTER2
- BM25
- vLLM
- Prometheus 2
- ALCE
Prévision · déployé
Système intelligent de prévision et d'alerte sur la consommation de carburant
En serviceDes sites télécoms au Cameroun perdaient du gasoil sans que personne voie où. Le système prévoit ce que chaque site devrait consommer et signale les grappes et les sites dont la consommation prévue se détache. Les exploitants s'en servent toujours.
Un régresseur à gradient boosting derrière une application web Flask, avec un seuil d'écart fixé à la moyenne plus 2 écarts-types, un tableau de bord de suivi et des exports pour les audits.
- Python
- Flask
- Scikit-Learn
- Pygal
- Render.com
- NVIDIA
- DeepLearning.AI
- Coursera
- Munich Center for Machine Learning
- Outlier AI
Certifié en programmation d'agents avancée, en ingénierie des instructions génératives avancée, en IA générative avec les grands modèles de langage (LLM), en parallélisme de modèle pour construire et déployer de grands réseaux de neurones, et en MLOps pour la production.
À propos
Quelques mots sur moi
J'ai commencé au Cameroun, en construisant une application de prévision de carburant que les techniciens des stations de base faisaient tourner eux-mêmes. Pendant mon doctorat, j'ai ensuite établi que la descente de gradient et sa version stochastique convergent sur les réseaux linéaires profonds, avec des bornes de taux d'apprentissage calculées avant l'entraînement plutôt que réglées à tâtons.
Les deux moitiés se retrouvent dans ce que je livre aujourd'hui : des systèmes agentiques qui orientent les décisions vers des solveurs exacts, une recherche d'information qui cite ses sources, et un résultat mesuré derrière chaque affirmation. Chaque système, je le mène moi-même jusqu'à la production.