Je livre des systèmes d'IA qui tiennent en production.

2018 · Cameroun

Le premier système qui devait marcher

Les stations de base télécoms au Cameroun tournent sur des groupes électrogènes diesel à travers des coupures de réseau constantes, et le carburant disparaissait plus vite que personne ne pouvait en rendre compte. En 2018, presque personne ne visait les centrales fixes avec l'apprentissage automatique, la recherche pointait vers les moteurs de voiture. J'ai lu ces travaux automobiles et j'ai porté les méthodes vers les groupes électrogènes.

Je me suis assis avec les techniciens de maintenance, j'ai mené l'analyse exploratoire, comparé 4 modèles, et livré le meilleur sous forme d'application web que les exploitants utilisent encore. Elle a permis de tracer 84 617 litres de carburant et a fait passer le compte rendu de plusieurs jours à quelques secondes. Ce projet a fixé la norme que j'ai gardée : un modèle que personne ne peut faire tourner est un modèle qui ne compte pas.

2019 à 2025 · RWTH Aachen et LMU Munich

Quand l'entraînement converge, et jusqu'où le pousser

Les modèles de carburant fonctionnaient, et je ne savais pas dire complètement pourquoi. Cet écart a donné la direction de mon doctorat. J'ai étudié quand la descente de gradient, l'algorithme sous presque tout l'apprentissage profond, atteint une bonne solution dans un paysage de perte rempli de mauvaises.

J'ai prouvé que les itérés restent bornés, donc que les poids ne peuvent pas exploser en cours d'entraînement. Cette borne m'a permis d'appliquer une inégalité de Lojasiewicz discrète et d'obtenir la convergence vers un minimum global pour presque toute initialisation, sans la condition de proximité que les résultats antérieurs devaient supposer. Le pas qui en sort vaut pour un pas constant comme pour un pas décroissant, et il cesse de rétrécir quand le réseau s'approfondit.

J'ai mené la même analyse pour la descente de gradient stochastique, celle avec laquelle les équipes entraînent réellement, et prouvé qu'elle reste bornée et converge presque sûrement. J'ai vérifié les conditions sur des réseaux tanh non linéaires, et l'entraînement s'est comporté de la même façon. La version pratique de ces travaux est courte : vous pouvez calculer jusqu'où pousser un entraînement avant de le lancer, et vous pouvez voir venir celui qui va diverger.

Depuis 2025 · ce que je construis

Là où les conjectures s'arrêtent

Je construis des systèmes agentiques sur une seule règle : garder le modèle de langage sur la langue, et confier chaque calcul à quelque chose qui ne peut pas halluciner. Dans le copilote d'approvisionnement, un agent LangGraph lit la demande d'un planificateur en langage courant et l'oriente vers 1 des 7 solveurs exacts de recherche opérationnelle. Chaque appel de solveur franchit un contrat typé, et toute décision au-delà de 10 000 $ s'arrête pour un responsable. Une mauvaise lecture de la demande choisit le mauvais outil, ce qu'une personne rattrape. Le système reste incapable de produire un chiffre faux qui a l'air juste.

La même discipline traverse le reste. Le système de questions-réponses scientifiques cite ses sources à 0,84 de précision sur QASPER et renvoie « contexte insuffisant » plutôt qu'une fabrication assurée. Dans les travaux d'alignement, j'entraîne les modèles à préférer les réponses vérifiables aux réponses qui sonnent juste. Ce qu'une équipe reçoit de moi, c'est un système qui arrive avec sa suite de tests, son déploiement et le chiffre auquel il est tenu.