Curriculum vitae
Gabin Maxime Nguegnang
Chercheur en intelligence artificielle et ingénieur IA/ML
Munich, Allemagne · gmaxime@nguegnang-ai.com
Expérience
Consultant en recherche IA : raisonnement des modèles de langage et évaluation de l'IA agentique
Outlier AI et Mercor · À distance, Allemagne
- Diagnostic des modes de défaillance du raisonnement en plusieurs étapes des grands modèles de langage de pointe sur des problèmes scientifiques, et rédaction des corrections qui servent de données d'entraînement RLHF.
- Évaluation des trajectoires d'agents d'IA et de la précision de leurs appels de fonctions sur des tâches longues, en séparant les erreurs de l'agent de celles de l'environnement.
- Rédaction des critères de grille qui notent le modèle de récompense, et animation de la relecture par les pairs dans une équipe répartie.
Doctorant chercheur et assistant d'enseignement
Ludwig Maximilian University of Munich · Munich, Allemagne
- Établissement de conditions sur le taux d'apprentissage qui garantissent la convergence de la descente de gradient stochastique (SGD), base d'un entraînement fiable des modèles.
- Comparaison de 6 méthodes d'ensemble à 4 modèles de référence dans un projet d'IA explicable de détection d'anomalies sur des relevés réels de groupes électrogènes diesel, avec un F1 de 0,987 atteint par LightGBM.
- Défense, avec les coauteurs, d'une étape de preuve contestée devant le comité éditorial de Springer Nature, jusqu'à son acceptation.
- Enseignement de niveau master en optimisation, apprentissage automatique, apprentissage profond et science des données ; coencadrement d'un étudiant de master.
Doctorant chercheur et assistant d'enseignement
RWTH Aachen University · Aix-la-Chapelle, Allemagne
- Dérivation de conditions sur le taux d'apprentissage pour la descente de gradient sur réseaux de neurones linéaires, qui ne décroissent pas exponentiellement avec la profondeur du réseau.
- Validation de la théorie et extension aux architectures non linéaires par des entraînements PyTorch à grande échelle sur grappes de GPU.
- Enseignement de l'optimisation continue et des mathématiques de la science des données, au sein d'un groupe de recherche de 9 nationalités.
Stagiaire en apprentissage automatique
Group One Holding Company · Limbé, Cameroun
- Localisation des sources de pertes de carburant sur les stations de base télécoms par analyse exploratoire des données, puis entraînement d'une forêt aléatoire (Random Forest, NSE 0,986) livrée avec un tableau de bord de suivi, qui a aidé à retracer 84 617 litres de carburant.
- Automatisation de l'ingestion des journaux (compte rendu ramené de plusieurs jours à quelques secondes) et accord avec les techniciens de maintenance sur les écarts que le système devait signaler.
Formation
Doctorat en mathématiques appliquées : optimisation des réseaux de neurones profonds
LMU Munich et RWTH Aachen University, Allemagne
Analyse de convergence de l'entraînement des réseaux de neurones profonds. Publiée chez Springer Nature (2024) et à SampTA 2023.
Master coopératif en mathématiques industrielles : apprentissage automatique
African Institute for Mathematical Sciences (AIMS), Limbé, Cameroun
Bourse du Mastercard Foundation Scholars Program, 2017.
Master en mathématiques appliquées : systèmes dynamiques et modélisation
Université de Yaoundé I, Cameroun
Optimisation et analyse numérique.
Licence avec mention en mathématiques appliquées
Université de Douala, Cameroun
Publications
- Convergence of stochastic gradient descent for learning linear neural networks Prépublication arXiv, 2026
- Convergence of gradient descent for learning linear neural networks Springer Nature : Advances in Continuous and Discrete Models, 2024
- Analysis of stochastic gradient descent for learning linear neural networks SampTA 2023
- Anomaly detection in power generation plants using machine learning and neural networks Applied Artificial Intelligence, 2020
- Balancing Performance and Fairness in Explainable AI for Anomaly Detection in Distributed Power Plants Monitoring Prépublication arXiv, 2026
- Predicting fuel consumption in power generation plants using ML and neural networks ICECET 2021
Compétences
Programmation et données
Python · SQL · PyTorch · scikit-learn · pandas · FastAPI · Pydantic · PostgreSQL · DuckDB · pgvector · FAISS
Modèles de langage, RAG et agents d'IA
RAG (recherche hybride, reclassement) · GraphRAG · Agents d'IA · Systèmes multi-agents · LangGraph · MCP · Appel d'outils · Ingénierie des instructions · Affinage (LoRA, QLoRA) · DPO · RLHF · Hugging Face (Transformers, TRL, PEFT) · vLLM · LiteLLM
Graphes de connaissances
Neo4j (Cypher) · RDF/OWL · SPARQL
Apprentissage automatique et statistiques
Apprentissage profond · Traitement automatique des langues · Random Forest · Gradient Boosting (LightGBM) · Détection d'anomalies · IA explicable (SHAP) · Intervalles de confiance par bootstrap · κ de Cohen · Optimisation (OR-Tools, CVXPY)
Évaluation et MLOps
Évaluation des modèles de langage (modèle juge, ALCE) · Docker · Kubernetes · CI/CD (GitHub Actions) · Git · pytest · Azure (AKS) · AWS · Google Cloud · Grappes de GPU (SLURM)
Certifications
- Création d'outils MCP en Python pour GraphRAG Neo4j GraphAcademy · septembre 2026
- Programmation d'agents avancée Outlier AI · janvier 2026
- Parallélisme de modèles : construire et déployer de grands réseaux de neurones NVIDIA · octobre 2025
- IA générative avec les grands modèles de langage DeepLearning.AI et AWS · octobre 2024
- Ingénierie de l'apprentissage automatique pour la production (MLOps) DeepLearning.AI · 2024
Affiliations et distinctions
- Munich Center for Machine Learning (MCML), membre juin 2024 – aujourd'hui
- Bourse du Mastercard Foundation Scholars Program août 2017
Langues
- Français Langue maternelle (C2)
- Anglais Courant (C1)
- Allemand Niveau professionnel (B2+)