Disponible — Thèse & Poste R&D

Ingénieur R&D IA
Vision Industrielle & Santé Numérique

Spécialisé en détection d'anomalies, apprentissage de représentations et ML clinique. Je construis des pipelines ML robustes sur des données complexes et réelles, de la recherche jusqu'au déploiement.

PyTorch PatchCore Computer Vision scikit-learn Streamlit Python KNIME

Résultats clés

AUROC PatchCore 0.938topk
C-index Leucémie 0.741test
Expérience R&D 2ans
3Projets ML
0.938AUROC PatchCore
0.741C-index Leucémie
2 ansR&D Industrie

À propos

Profil & compétences

Ingénieur R&D en apprentissage automatique, formé en mathématiques appliquées à l'Université Toulouse III. Je me spécialise dans la détection d'anomalies en vision industrielle et le ML sur données complexes — de la conception d'architectures deep learning jusqu'au déploiement d'applications interactives.

Avec deux expériences chez Pikairos (stage + alternance en chémo-informatique), je développe des pipelines ML modulaires sur données moléculaires réelles — de la reproduction d'articles scientifiques jusqu'à l'intégration dans des outils industriels no-code.

Passionné par l'apprentissage de représentations, les approches one-class et le ML clinique, je cherche à approfondir ces thématiques dans le cadre d'une thèse ou d'un poste R&D. Mobilité nationale.

Deep Learning

CNNAutoencodersTransformersLSTMPatchCore

Computer Vision

Détection d'anomaliesOne-ClassOODPCA / t-SNE

ML Clinique

Cox RegressionRandom Survival ForestsC-index

Frameworks & Outils

PyTorchscikit-learnStreamlitKNIMEGitLinux

Langages

Python (avancé)SQLC++

Projets

Ce que j'ai construit

Ligne de production industrielle
Terminé

Détection d'Anomalies Industrielles

Comparaison reconstruction vs représentation pour détecter des anomalies subtiles. PatchCore multiscale ResNet18, greedy coreset, seuils optimaux par indice de Youden. App Streamlit déployée avec upload multiple et heatmaps.

0.938AUROC PatchCore
0.615AUROC Autoencoder
PyTorchResNet18MVTec ADStreamlit
GitHub →
Microscope laboratoire médical
Terminé

Prédiction de Survie · Leucémie AML

Modélisation de la survie sur données réelles de 3 323 patients atteints de leucémie aiguë myéloblastique (QRT 2025). Pipeline sans fuite de données, comparaison Cox régularisé et Random Survival Forest. Application Streamlit interactive permettant de prédire la courbe de survie d'un patient à partir de son profil clinique.

0.752C-index (test)
0.739C-index (CV)
scikit-survivalCox PHRandom Survival ForestStreamlitPoetry
GitHub →
Données médicales et écran
En cours

Medical NLP · Comptes-rendus Cliniques

Analyse automatique de notes cliniques via LLM — extraction d'entités médicales, classification, résumé structuré et Q&A sur données MIMIC-III réelles. Pipeline RAG pour questions sur documents.

PythonLLMHuggingFaceMIMIC-IIIRAG
GitHub →

Expériences

R&D chez Pikairos

Oct. 2025 – Oct. 2026

Alternance

Pikairos · Toulouse
Chémo-informatique

Ingénieur R&D Machine Learning

Développement d'un pipeline ML de clustering moléculaire avec visualisation interactive 2D — permettant de suivre la hiérarchie de regroupement des molécules niveau par niveau. Implémentation en Python avec interface CLI modulaire selon la tâche. Intégration dans KNIME pour faciliter la prise en main par les utilisateurs non-développeurs.

PythonClusteringRéduction dimensionnelleCLIKNIMEDonnées moléculaires

Mai – Août 2025

Stage

Pikairos · Toulouse
Chémo-informatique

Ingénieur R&D Machine Learning

Réimplémentation complète en Python d'une méthodologie scientifique publiée par Pikairos — lecture approfondie de l'article, compréhension des choix algorithmiques, implémentation from scratch et validation rigoureuse des résultats expérimentaux. L'alternance est une extension directe de ce travail vers un outil industrialisé et déployable.

Pythonscikit-learnBenchmarkingRecherche appliquéeDonnées moléculaires

Savoir-être

Mes qualités

🔬

Rigueur scientifique

Je conçois des expériences reproductibles, documente mes résultats et valide chaque hypothèse avec méthode.

🧩

Esprit analytique

Je décompose les problèmes complexes en sous-problèmes structurés pour identifier les bonnes solutions.

💡

Autonomie

Capable de mener un projet de bout en bout — de la collecte des données jusqu'au déploiement — en prenant des initiatives.

🔭

Curiosité technique

Je lis régulièrement des articles scientifiques et implémente de nouvelles architectures pour rester à la pointe.

🤝

Esprit d'équipe

Mes expériences en alternance m'ont appris l'importance de la collaboration et du partage de connaissances.

📐

Organisation

Je structure mon travail efficacement — versioning Git, documentation claire, pipelines reproductibles.

Parcours

Formation & expérience

Formation

2024 – 2026

Master 2 Mathématiques Appliquées

Université Toulouse III – Paul Sabatier

ML, Deep Learning, Traitement du Signal, Big Data, Optimisation

2022 – 2024

Licence Mathématiques Appliquées

Université Toulouse III – Paul Sabatier

Probabilités, Statistiques, Analyse Numérique, Optimisation

2019 – 2022

Licence Mathématiques

École Normale Supérieure, Bénin

Formation théorique rigoureuse · Méthodologie de la Recherche

Expérience professionnelle

Oct. 2025 – Oct. 2026

Ingénieur R&D ML · Alternance

Pikairos · Toulouse

Clustering moléculaire · Pipeline CLI · KNIME · Chémo-informatique

Mai – Août 2025

Ingénieur R&D ML · Stage

Pikairos · Toulouse

Réimplémentation d'article scientifique · Benchmarking · Données moléculaires

Contact

Travaillons
ensemble.

Disponible pour une thèse CIFRE ou académique, ou un poste R&D en IA. Mobilité nationale — France entière.