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
- Repérage des points où le raisonnement pas à pas d'un modèle de langage casse sur des problèmes scientifiques difficiles, puis rédaction de la correction, qui devient le signal d'entraînement (RLHF) de la version suivante, plus exacte.
- Notation des agents d'IA sur le choix des outils et sur leur tenue au fil des tâches longues (raisonnement de type ReAct, appel de fonctions, gestion du contexte long), et arbitrage des cas ambigus contre une grille écrite.
- Conception des grilles de notation et animation de la relecture par les pairs, pour que l'ingénierie des instructions reste cohérente dans un groupe réparti et que des contenus mathématiques difficiles deviennent des données d'entraînement fiables.
Doctorant chercheur et assistant d'enseignement
Ludwig Maximilian University of Munich · Munich, Allemagne
- Établissement des conditions sous lesquelles la descente de gradient stochastique converge à coup sûr, ce qui montre aux ingénieurs jusqu'où pousser un entraînement avant qu'il se défasse.
- Livraison d'un projet d'IA explicable (XAI) qui signale tôt les défaillances des centrales industrielles et donne la raison de chaque alerte. F1 de 0,99 atteint avec 6 apprenants d'ensemble et SHAP, et équité tenue d'un site à l'autre (ratio d'impact disparate 0,95).
- Enseignement de cours de niveau master en optimisation, apprentissage automatique, apprentissage profond et science des données, et défense d'une étape de preuve contestée jusqu'à son acceptation par le comité éditorial de Springer Nature.
Doctorant chercheur et assistant d'enseignement
RWTH Aachen University · Aix-la-Chapelle, Allemagne
- Dérivation de conditions praticables sur le taux d'apprentissage pour la descente de gradient sur réseaux profonds, qui ne décroissent pas exponentiellement avec la profondeur, ce qui lève la limite qui tenait la théorie antérieure hors d'usage pratique.
- Appui de la théorie sur des entraînements PyTorch à grande échelle sur une infrastructure de calcul intensif, avec répartition de la charge entre nœuds pour réduire la durée de chaque expérience.
- Enseignement de l'optimisation continue, des mathématiques de la science des données et des mathématiques supérieures, et création de supports de cours qui rendent la théorie avancée concrète pour des élèves ingénieurs, au sein d'un groupe de recherche de 9 nationalités.
Stagiaire en apprentissage automatique
Group One Holding Company · Limbé, Cameroun
- Analyse des données de consommation de carburant de sites télécoms pour cerner la cause racine des pertes, et comparaison de 4 modèles d'apprentissage automatique (Gradient Boosting en tête, à 98 % d'efficience de Nash).
- Déploiement du modèle retenu en application web Flask avec tableau de bord de suivi, ce qui a sécurisé 84 617 litres de carburant.
- Automatisation de l'ingestion des journaux, qui a fait passer le compte rendu de plusieurs jours à quelques secondes, et suivi des taux de succès des API et de la latence de traitement sur le tableau de bord.
- Relevé des contraintes d'exploitation avec les techniciens des stations de base, puis présentation des constats, des résultats du modèle et de l'argumentaire de déploiement aux responsables de l'entreprise et au directeur des opérations.
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 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
- Predicting fuel consumption in power generation plants using ML and neural networks ICECET 2021
Compétences
Programmation et données
Python (pandas, NumPy, SciPy, scikit-learn) · PyTorch · SQL · PostgreSQL · pgvector · FAISS · FastAPI · Uvicorn · Pydantic · Flask · API REST · Bash
IA agentique, modèles de langage et RAG
Agents d'IA · Orchestration multi-agents · LangGraph · LangChain · MCP · DSPy · RAG · CRAG · ReAct · Chaîne de raisonnement · Gestion du contexte long · Hugging Face (Transformers, TRL, PEFT) · LoRA · QLoRA · SFT · RLAIF · DPO · RLHF
Évaluation et suivi
Conception de cadres d'évaluation · Évaluations en continu · Analyse des modes de défaillance · Analyse des causes racines · Test adverse en équipe rouge · Évaluation par grille · Étiquetage de préférences · Portes de qualité · Recall@k · ALCE · RAGAS · Prometheus 2 · MLflow
Apprentissage automatique et recherche
Apprentissage profond · Statistiques · Optimisation non convexe · Analyse de convergence · Optimisation bayésienne · Plans d'expérience · Gradient Boosting · Random Forest · SVM · Détection d'anomalies · IA explicable (SHAP) · Traitement automatique des langues · Solveurs de recherche opérationnelle
MLOps, DevOps et cloud
Docker · GitHub Actions · GHCR · Kubernetes · Azure AKS · AWS · Google Cloud Vertex AI · OpenTelemetry · LangSmith · Git · pytest · Entraînement distribué · Calcul intensif · Agile (Scrum)
Certifications
- Programmation d'agents avancée Outlier AI · janvier 2026
- Ingénierie des instructions génératives avancée Outlier AI · décembre 2025
- IA générative avec les grands modèles de langage DeepLearning.AI / Coursera · octobre 2024
- Spécialisation en ingénierie de l'apprentissage automatique pour la production (MLOps) DeepLearning.AI · mai 2024
Affiliations et distinctions
- Munich Center for Machine Learning (MCML), membre juin 2024 – aujourd'hui
- Community of Computational and Mathematical Methods in Data Science, membre décembre 2019 – aujourd'hui
- Bourse du Mastercard Foundation Scholars Program août 2017
Langues
- Français Langue maternelle (C2)
- Anglais Courant (C1)
- Allemand Niveau professionnel (B2+)