— Travaux
Des systèmes construits.
Des problèmes résolus.
Les noms des clients restent confidentiels, la plupart sous NDA, les autres parce que j’étends la même courtoisie à tous. Ce que je peux montrer, c’est la partie qui prédit si je peux résoudre votre problème : ce que fait chaque système, pourquoi il était difficile et ce qui l’a fait tenir en production.
Les sections « le problème intéressant » sont celles qui méritent d’être lues. N’importe qui peut lister des technologies. Peu de gens savent expliquer pourquoi un système était difficile.
Plateforme d’orchestration multi-agents en production
Ce que c’est
Une plateforme SaaS qui construit des sites web d’entreprise complets, pour tout type d’activité, grâce à un système d’orchestration d’IA multi-agents. La plateforme coordonne plus de 23 agents d’IA spécialisés dans 9 départements fonctionnels ; chaque agent a un rôle, un domaine et une personnalité définis, et ensemble ils exécutent 31 workflows automatisés de bout en bout, du brief au site publié.
Le problème intéressant
Construire une démo avec 5 agents est simple. Construire un système où plus de 23 agents se coordonnent de façon fiable en production est un tout autre problème. Cela exige une gestion d’état idempotente, un traitement par files d’attente qui évite la contention de verrous sous concurrence, des boucles d’auto-amélioration contrôlées par des environnements de staging et une dégradation maîtrisée quand les modèles en amont se comportent de façon imprévisible.
Les modes de défaillance des systèmes multi-agents ne sont pas ceux qu’on attend. Les agents échouent rarement bruyamment. Ils échouent en produisant un résultat plausible à partir d’une prémisse fausse, et cette erreur se propage silencieusement à chaque agent en aval. Détecter cette propagation avant qu’elle n’atteigne l’utilisateur, c’est l’essentiel de l’ingénierie.
Résultat
En production, en service. Coût de production moyen de bout en bout de 0,08 $ par site web d’entreprise terminé.
Technologies (sélection)
Python, TypeScript, Node.js, LangChain, LangGraph, PostgreSQL, bases de données vectorielles, plusieurs fournisseurs de LLM, traitement en arrière-plan événementiel, WebSockets temps réel.
Pipeline d’inférence ML temps réel pour le trading algorithmique
Ce que c’est
Une conception d’architecture complète pour un système de trading algorithmique visant les marchés de dérivés crypto. Le système s’articule autour d’un pipeline de données temps réel qui va des flux de marché binaires à une base de données de séries temporelles, puis au feature engineering et à l’inférence ML, avec un cadre de score de convergence combinant 6 signaux de marché en parallèle.
Le problème intéressant
Des budgets de latence de 10 à 50 microsecondes pour le hot path imposent des décisions d’architecture que la plupart des ingénieurs ne rencontrent jamais : désérialisation zero-copy, déploiement cloud bare-metal et une couche d’inférence ML qui ne peut pas se permettre une pause du garbage collector.
Le cadre de convergence (cascade de liquidations, divergence inter-exchanges, déséquilibre du carnet d’ordres, funding rate, VPIN, exposition gamma) est conçu pour réduire les faux signaux tout en préservant la sensibilité aux vraies dislocations de marché. Un signal isolé produit du bruit. Le problème d’ingénierie est de scorer l’accord entre six signaux assez vite pour que la réponse compte encore quand elle arrive.
Technologies (sélection)
Rust (hot path), Python (feature engineering et ML), LightGBM, base de données de séries temporelles, parsing de flux binaires temps réel.
Plateforme d’IA générative pour l’immobilier
Ce que c’est
Une plateforme full-stack pour le marché immobilier qui utilise l’IA générative pour automatiser l’étude de marché ; la génération de contenu immobilier en texte, image et vidéo ; le rapprochement intelligent de biens ; et la publication multicanale sur plus de 4 plateformes.
Le problème intéressant
Le contenu immobilier est très répétitif en surface. Chaque annonce a une description, des photos et un public cible. Mais il exige une intelligence contextuelle au niveau du détail : dynamique du marché local, biens comparables, profil de l’acheteur cible.
Le système devait être assez tranché pour produire un bon résultat par défaut et assez souple pour gérer la vraie variation entre types de biens et marchés. Ces deux exigences tirent dans des directions opposées, et la plupart des systèmes de génération de contenu résolvent la tension en produisant un résultat techniquement correct et commercialement inutile.
Technologies (sélection)
Next.js, React, Node.js, PostgreSQL, plusieurs fournisseurs d’IA générative (texte, image, vidéo), WhatsApp Business API, traitement en arrière-plan événementiel.
Dei Corpus : moteur de fusion multimodale de biomarqueurs
Ce que c’est
Un moteur de fusion multimodale de biomarqueurs pour la détection précoce et non invasive du risque de maladie. Le système ingère des signaux physiologiques structurés issus de capteurs déjà certifiés (ECG, glucose, imagerie dermatologique) et les corrèle entre domaines, au lieu de scorer chacun isolément, pour révéler des schémas de risque que les outils monomodaux ne voient pas.
Le problème intéressant
Les signaux cardiovasculaires, métaboliques et dermatologiques sont encore capturés et lus isolément. Les schémas d’alerte précoce qui n’émergent qu’entre ces domaines sont précisément ceux qu’aucun test monomodal n’est conçu pour détecter.
L’architecture de fusion doit gérer des signaux aux structures de données, fréquences d’échantillonnage et niveaux de signification clinique fondamentalement différents, et produire un score de risque composite qu’un clinicien peut interpréter et utiliser. Un score auquel personne ne fait confiance est pire que pas de score : l’interprétabilité est une contrainte dure, pas une fonctionnalité.
État actuel
TRL 4. Faisabilité de bout en bout démontrée sur des jeux de données synthétiques modélisés à partir de distributions de biomarqueurs publiées. Les données synthétiques prouvent le pipeline, pas le signal, et c’est exactement pourquoi la prochaine phase se joue sur des données réelles.
Cette phase compare les couches de fusion cardiovasculaire et métabolique à des jeux de données publics, PhysioNet d’abord puis MIMIC-IV comme test de résistance, en reconnaissant que sa population de soins intensifs n’est pas la cohorte cible. La modalité dermatologique, pour laquelle aucun jeu de données public apparié n’existe, sera validée par un pilote clinique, la recherche d’un partenaire clinique portugais avançant en parallèle.
Missions sous NDA
Ce que c’est
J’ai contribué à des produits numériques commercialisés, du concept au déploiement en production, sous accords de confidentialité. Cycle de vie produit complet : conception d’architecture, développement, tests, déploiement et exploitation avec de vrais utilisateurs à l’échelle.
Ce qui peut être partagé
J’ai travaillé dans des équipes pluridisciplinaires, livré des fonctionnalités critiques sous contraintes de production et apporté des contributions directes et mesurables à des résultats commerciaux. Les produits eux-mêmes restent sous NDA, et je peux détailler les problèmes d’ingénierie lors d’un appel.
