Ingénieur du numérique · Spécialisation Intelligence Artificielle
Étudiant en dernière année à l'ISEP Paris, passionné par le Deep Learning, les LLM et l'IA explicable. Semestre d'échange à l'Université de Sogang, Séoul.
Profil
Étudiant en dernière année à l'ISEP (École d'Ingénieurs du Numérique), je me spécialise en Intelligence Artificielle après un semestre d'échange à l'Université de Sogang à Séoul, entièrement dédié à l'IA.
Ma formation couvre les fondamentaux du Deep Learning, des Transformers, des agents IA, de la cybersécurité et de l'architecture des systèmes d'information. Je cherche un stage de fin d'études pour mettre en pratique ces compétences dans un environnement stimulant.
Compétences
Projets académiques
Fine-tuning d'un U-Net (encodeur ResNet34) sur 766 coupes IRM annotées. Adaptation de Grad-CAM pour l'explicabilité spatiale et évaluation causale par jeu Deletion/Insertion.
Web scraping, analyse VADER, TF-IDF, tests statistiques (Granger), clustering K-Means et LDA sur 9 mois d'articles. Corrélation confirmée entre couverture médiatique et volatilité du Brent.
Pipeline NLP sur le dataset Sentiment140 (1,6M tweets) — BoW, TF-IDF, comparaison Régression Logistique / Naive Bayes / SVM avec analyse sociolinguistique des features discriminantes.
Matrix factorization sur MovieLens (~9 700 films), embeddings utilisateur/film, similarité cosinus, visualisation UMAP et personnalisation avec ratings personnels (MAE = 0.004).
Projet pluridisciplinaire complet : conception d'un capteur audio (soudage électronique), analyse du signal via MATLAB, transmission Wi-Fi IoT, base de données phpMyAdmin, site web client et interface administrateur.
J’ai conçu un pipeline de fine-tuning pour spécialiser un LLM dans le traitement de tickets de support client en français. À partir d’un corpus Bitext en anglais, je traduis les paires question/réponse, conserve les métadonnées et applique des contrôles qualité avant de constituer les jeux d’entraînement, validation et test.
Le modèle apprend à produire un JSON exploitable : intention, file de routage, priorité, besoin d’escalade humaine et réponse suggérée. Mon objectif n’est pas de rendre le modèle « plus intelligent » en général, mais d’évaluer s’il devient plus fiable sur ce workflow métier structuré.
Je compare le modèle de base et l’adaptateur QLoRA sur le même jeu de test, avec des mesures de validité JSON, d’exactitude de l’intention, du routage, de la priorité et de l’escalade. Les réponses sont aussi relues sur des cas français inédits et ambigus afin de distinguer la généralisation d’une simple mémorisation.
Système RAG local pour interroger des PDF en langage naturel avec Gemini Embedding, Qdrant et PyMuPDF, documenté de manière complète avec installation, architecture et scripts Python.
Formation
Paris, France
ISEP Paris · Czech Technical University, Prague (semestre d'échange)
Formation scientifique préparatoire avec semestre d'échange international à Prague, renforçant les bases en mathématiques, physique et informatique.
Lycée Carnot, Paris
Centres d'intérêt
Contact
Disponible pour un stage de fin d'études. N'hésitez pas à me contacter pour en discuter.