Portfolio

Systèmes IA en production, data science et conformité

Travaux sélectionnés

Open source

Veritas·RAG

Plateforme open source pour comparer et évaluer des stratégies RAG sur les mêmes questions. 3 stratégies interchangeables (classique, graphe, agentique) sur un retrieval hybride (dense + BM25, fusion RRF, rerank cross-encoder), LLM juge versionné, métriques de retrieval déterministes et détection de régressions. L’évaluation a révélé un reranker qui échouait en silence.

3 stratégies1 600+ testsLLM juge
QdrantLangfuse
Voir →
Production · Kabeen

Catalogue applicatif automatisé (Kabeen)

Catalogue applicatif interne construit from scratch en tant que seule ingénieure : scraping et ETL, classification et enrichissement par LLM (GPT-4o), résolution d’entités regroupant les produits sous leur éditeur, knowledge graph Neo4j et moteur d’anomalies à trois niveaux avec validation humaine. Contribution à la plateforme d’agents LangGraph : tool de scraping web appelé par les agents.

100k+ entrées15 → 4 min par fiche
Voir →
Facturation électronique

VIFACT

SaaS de facturation électronique pour la réforme française, conçu et développé seule. Factur-X, UBL et CII validés par les règles officielles EN 16931 (223 règles BR) avant émission, en mode fail-closed ; LLM réservé aux cas ambigus, totaux toujours recalculés côté serveur ; piste d’audit chaînée. Démo sur demande.

223 règles EN 16931fail-closed~680 tests
Voir →
NLP Français

NER Travel Order

CamemBERT vs spaCy pour la reconnaissance d'entités nommées dans des ordres de mission en français (12 000 phrases annotées, BIO). spaCy retenu pour la production : modèle 17× plus léger, ~10 ms par phrase sur CPU ; CamemBERT meilleur sur les phrases ambiguës.

12 000 phrasesspaCy 17× plus léger
Voir →

Projets d’école et prototypes

Prototype

Classifieur d’images embarqué

Prototype de modération d’images pour une messagerie, entraîné sur un jeu de données de substitution (Food-101, 3 classes, 9 714 images de validation). MobileNetV3Small, macro-F1 93,1 %, export TFLite en trois variantes quantifiées (1,24 / 1,96 / 3,89 Mo).

93,1 % F1 macro1,24 Mo
MobileNetV3
Voir →
Projet d’école · Epitech

Détection de pneumonie (radios thoraciques)

Modèles classiques (Random Forest, KNN, SVM) et CNN (EfficientNet, ResNet) comparés. 97 % en validation, mais 74 % sur le jeu de test officiel : le modèle détectait toutes les pneumonies et seulement 31 % des radios normales. La leçon : ne pas croire une métrique de validation.

97 % → 74 % (val → test)PyTorch
CNNTransfer learning
Voir →