Expertise

Ce que je sais faire et comment je travaille.

Data science

En bref

Depuis 2019, je transforme des données en décisions pour de grands groupes de l'énergie et des télécoms : prévisions, classification, analyse de texte, modèles mis en production. Je travaille en Python et en R, de la première exploration au pipeline qui tourne chaque matin.

Séries temporelles

La prévision est au cœur de mon travail. Je traite ce qui rend les séries réelles difficiles :

  • Changements de tendance, saisonnalité et influence des facteurs externes.
  • Détection des valeurs aberrantes, pour qu’une période anormale ne fausse pas tout le modèle.
  • Modèles et frameworks : Prophet, Chronos, AutoGluon et TimesFM.
  • Évaluation : MAE, MAPE, MSE et RMSE, ainsi que des métriques sur mesure construites pour la problématique, car surestimer et sous-estimer coûtent rarement la même chose.

Machine learning et deep learning

Les modèles que j’utilise, choisis selon le problème plutôt que par habitude :

  • Bibliothèques : scikit-learn, PyTorch, TensorFlow, LightGBM, CatBoost et XGBoost.
  • Classification sur données tabulaires : régression logistique, random forest, gradient boosting (LightGBM, CatBoost, XGBoost) et NGBoost pour des prédictions probabilistes.
  • Deep learning : réseaux denses (MLP), TabNet, réseaux récurrents (RNN, LSTM), Transformers et mécanismes d’attention, embeddings d’entités, et CNN pour la vision par ordinateur (classification, détection d’objets, segmentation).
  • Learning to rank : LambdaRank, YetiRank et XGBRanker, quand il faut ordonner des candidats entre eux plutôt que les juger un par un.
  • Modèles de classement probabilistes : Plackett-Luce et Harville pour passer de scores à des probabilités d’ordre d’arrivée, notations Elo et TrueSkill.
  • Probabilités fiables : calibration (isotonique, bêta), intervalles conformes (MAPIE) et détection des cas hors distribution.
  • Réglage et interprétation : Optuna pour les hyperparamètres, SHAP pour expliquer les prédictions.

Autres domaines de modélisation

  • Classification et scoring : probabilités calibrées, métriques choisies selon le coût réel de chaque type d’erreur.
  • NLP : classification de textes, extraction d’informations, traitement automatique des e-mails.
  • Apprentissage par renforcement : décisions séquentielles où un agent apprend des conséquences de ses actions.
  • Économétrie et finance : questions causales, données de panel, données de marché. Des backtests sans fuite temporelle, avec les coûts modélisés et une période hors échantillon gardée intacte jusqu’à la fin.

Exploration et préparation des données

Avant tout modèle, comprendre les données et ce qu’elles racontent :

  • Compréhension du métier : d’où viennent les données, comment elles sont produites et ce que les équipes en attendent, en échangeant avec ceux qui les connaissent le mieux.
  • Analyse exploratoire (EDA) : distributions, valeurs manquantes, corrélations, ruptures et anomalies, avec des visualisations qui font apparaître les problèmes avant qu’ils ne faussent un modèle.
  • Nettoyage : données incomplètes ou hétérogènes, doublons, cas particuliers métier, valeurs manquantes imputées sans utiliser d’information future.
  • Interprétation : relier chaque constat à son contexte et le restituer clairement, pour que l’analyse serve une décision.
  • Préparation pour la modélisation : feature engineering à partir de l’historique et du contexte, sélection de variables stable, toujours limitée à l’information disponible au moment de la décision.

Déploiement

  • Cloud : mise en production sur GCP et AWS.
  • Serveurs : déploiement sur serveur Linux, conteneurisé avec Docker.
  • Pipelines : traitements planifiés et automatisés, intégration continue.
  • Datamarts : tables d’analyse prêtes à l’emploi pour les équipes métier.

Applications

Des applications web qui mettent modèles et analyses entre les mains de personnes qui ne codent pas :

  • R Shiny en R.
  • Dash et Streamlit en Python.

Boîte à outils

Langages
  • Python
  • R
  • SQL
Données
  • pandas
  • Polars
  • NumPy
Machine learning
  • scikit-learn
  • PyTorch
  • TensorFlow
  • LightGBM
  • CatBoost
  • XGBoost
  • Optuna
  • SHAP
Séries temporelles
  • Prophet
  • Chronos
  • AutoGluon
  • TimesFM
Plateformes de données
  • Oracle
  • Hive
  • PySpark
  • PostgreSQL
Déploiement
  • GCP
  • AWS
  • Docker
  • Linux
  • Git
  • CI
Applications
  • R Shiny
  • Dash
  • Streamlit
Fondamentaux
  • Mathématiques
  • Statistiques
  • Économétrie
  • Informatique
  • Finance

Agents IA et LLM

En bref

Je conçois, développe et déploie des outils fondés sur les modèles de langage : des agents qui enchaînent des tâches en plusieurs étapes, des assistants branchés sur les données internes, des automatisations qui font gagner des heures chaque semaine. Je les utilise tous les jours dans mon propre travail, avec les garde-fous qui les rendent fiables.

Ce que je construis

  • Des outils à base d’agents : des agents qui planifient, appellent des outils et vérifient leurs propres résultats, déployés pour de vrais utilisateurs plutôt que laissés à l’état de démo.
  • Des applications LLM : des intégrations de l’API Claude avec tool use, sorties structurées, mise en cache des prompts et recherche dans des documents internes.
  • Des skills, des tools et des serveurs MCP : transformer un savoir métier en skills d’agent, écrire des outils et des serveurs Model Context Protocol qui relient les agents aux bases de données, aux API et aux fichiers.
  • Des installations privées : des modèles open-weight qui tournent sur un ordinateur portable (Ollama, MLX) quand les données doivent rester en interne.

RAG

Des assistants qui répondent à partir d’une base documentaire (PDF, articles) et citent leurs sources :

  • Ingestion : extraction, nettoyage, découpage sémantique (chunking), métadonnées et embeddings.
  • Recherche : recherche sémantique et hybride, reranking.
  • Évaluation : pertinence de la recherche, fidélité des réponses (faithfulness), qualité des réponses.
  • Outils : LangChain, les embeddings BGE-M3 et la base vectorielle Qdrant.

Frameworks de développement avec agents

Des méthodes de développement piloté par les spécifications, que j’utilise avec Claude Code et Codex :

  • Superpowers : skills d’agent et méthode de développement complète, de la conception à la revue.
  • BMAD Method : développement agile piloté par des agents spécialisés.
  • GSD (Get Shit Done) : méta-prompting, ingénierie de contexte et développement piloté par les specs.
  • Spec Kit : le kit de GitHub pour le spec-driven development.

Comment je rends les agents fiables

  • La conception avant le code : l’agent part d’un design écrit et d’un plan pas à pas que je relis.
  • Des garde-fous : tests, vérification des types, linters et hooks de pré-commit tournent à chaque modification, pour que les erreurs soient détectées automatiquement.
  • La vérification : aucun résultat n’est accepté sans la commande qui l’a produit. Les chiffres sont mesurés, pas devinés par le modèle.
  • Des règles explicites : les instructions du projet disent ce que l’agent ne doit jamais faire, comme utiliser des données futures dans un backtest.
  • L’évaluation : jeux de test annotés, comparaison avec une méthode classique, analyse des erreurs. Un modèle qui a l’air juste n’est pas un modèle qui a juste.

Boîte à outils

Modèles et plateformes
  • Claude API
  • Claude Code
  • Codex
  • Gemini
  • DeepSeek
  • Ollama
  • MLX
Briques techniques
  • Tool use
  • MCP
  • Skills
  • Sorties structurées
  • Évaluation
RAG
  • LangChain
  • BGE-M3
  • Qdrant
Frameworks
  • Superpowers
  • BMAD Method
  • GSD
  • Spec Kit

Certifications Anthropic

  • Building with the Claude APIAnthropic · juillet 2026Vérifier
  • Claude Platform 101Anthropic · juillet 2026Vérifier
  • AI Fluency: Framework & FoundationsAnthropic · avril 2026Vérifier
  • Claude 101Anthropic · avril 2026Vérifier
  • Claude Code 101Anthropic · avril 2026Vérifier
  • Claude Code in ActionAnthropic · avril 2026Vérifier
  • Introduction to Claude CoworkAnthropic · avril 2026Vérifier

Ma façon de travailler

En bref

J'aime les problèmes difficiles et quantitatifs, et j'aime les expliquer simplement. Le conseil, l'enseignement et la compétition m'ont appris à rester précis sous pression et à tirer le meilleur d'une équipe.

Analyse et résolution de problèmes

Je pars de la question, pas de l’outil. Avant de choisir un modèle, je cherche l’approche la plus simple qui pourrait marcher et les éléments qui prouveraient qu’elle a tort. La curiosité fait le reste : économie, finance, sciences du sport, modèles de langage.

Rendre clair ce qui est complexe

Animer des TD de macroéconomie à la Toulouse School of Economics et former mes collègues à R m’ont appris à adapter le message à l’auditoire. Je présente des résultats aussi bien à des équipes techniques qu’à des décideurs, et je sais expliquer un intervalle de confiance sans une seule équation.

Sous pression, en équipe

Les missions de conseil pour de grands groupes viennent avec des délais et des interlocuteurs exigeants. Je travaille bien en équipe : je demande des relectures, j’en fais, et je signale les problèmes tôt plutôt que tard.

Le souci du détail

Des tests, des pipelines reproductibles, des résultats qu’on peut relier au code qui les a produits. La qualité n’est pas une étape finale ; elle fait partie de chaque étape.

Profil sportif

En bref

Je pratique l'athlétisme en compétition au niveau national, au lancer de javelot. Le sport a façonné ma manière de travailler : discipline, patience et l'habitude de mesurer ses progrès honnêtement. J'applique aussi la donnée à l'entraînement : charge, récupération et performance.

Sur le terrain

  • Javelot au niveau national, avec du handball, de la natation, de la boxe et de la musculation à côté.
  • La compétition apprend ce qu’aucun cours n’enseigne : se préparer pour le seul lancer qui compte, accepter un mauvais jour et revenir la semaine suivante.
  • C’est aussi là que j’ai appris que la progression est rarement linéaire, ce qui est utile à se rappeler quand un modèle cesse de s’améliorer.

La donnée au service de l’entraînement

  • Charge d’entraînement : RPE de séance, volume et intensité, charge aiguë et chronique, monotonie et contrainte.
  • Récupération : variabilité de la fréquence cardiaque, fréquence cardiaque de repos et sommeil, lues au regard de la charge et non isolément.
  • Progression : les tests de performance traités comme des mesures avec leur propre bruit, pour ne pas confondre un vrai progrès avec un bon jour.
  • Planification : choix de périodisation et d’affûtage appuyés sur la littérature scientifique.

Les petits échantillons, les différences entre individus et la qualité des données des montres connectées imposent la prudence : une tendance est présentée comme une tendance, jamais comme un diagnostic.