COMPETENCES
Machine Learning & IA Générative
- Modélisation : Scikit-learn, Catboost, Tensorflow
- Frameworks IA : LangChain, CrewAI, LangGraph
- Architecture : RAG, Agents Autonomes
MLOps & Data Engineering
- Orchestration : ZenML, MLflow, Mage.ai
- Data processing : Pandas, PySpark, GeoPandas
- Bases de données : Qdrant, DuckDB, ClickHouse
Infrastructure & Cloud
- Cloud : Google Cloud Platform (GCP)
- Conteneurisation : Docker, Kubernetes
- IaC & GitOps : Terraform, ArgoCD
- CI/CD : GitHub Actions
Développement & Visualisation
- Backend : Python (FastAPI, Flask)
- Frontend & Data Apps : Streamlit, Chainlit, Gradio
- BI : Apache Superset
EXPERIENCES PROFESSIONNELLES
- Chatbot interne avec IA Générative (RAG)pour les agents de la fonction publique (crewai, langchain, qdrant).
- Création d'une API centralisée des entreprises calédoniennesavec des outils de traitement de données modernes (mage.ai, fastapi).
- Modèle de prédiction de potentiel d'embauche(similaire à "La Bonne Boîte") avec Catboost et scikit-learn.
- Mise en place d'une infrastructure data sur GCP et création de modules Terraform pour l'automatisation des flux de données vers BigQuery.
- Définition de la stratégie de migration vers Kubernetes (DevSecOps, IaC, Cloud Native).
- Élaboration de la stratégie d'hébergement d’applications métier sur Google Cloud Platform.
-
Direction du projet "NC Connect" (type France Connect)
Pilotage et architecture de la plateforme d'authentification unifiée pour les services publics de Nouvelle-Calédonie, socle technique indispensable à la mise en œuvre du programme "Dites-le-nous une fois".
- Remplacement d'un socle technique Oracle par une architecture microservices open-source (Spring Boot, Angular).
PROJETS PERSONNELS SIGNIFICATIFS
Conception et industrialisation d'un système de prédiction géospatial-temporel des accidents routiers en Nouvelle-Calédonie.
Architecture & Data Engineering : Conception d'une architecture Medallion (Bronze/Silver/Gold) avec DuckDB. Développement de pipelines fusionnant 5 ans d'historique (data.gouv.fr) et des données OpenStreetMap.
Orchestration & MLOps : Déploiement des pipelines avec Dagster sur Kubernetes. Tracking d'expériences et gestion du cycle de vie des modèles via MLflow.
Déploiement & Serving : Mise en production de modèles d'Ensemble Blending (CatBoost/XGBoost/MLP) via une API temps réel (FastAPI), interfacée avec un dashboard interactif Streamlit.
DevOps & Qualité : GitOps avec CI/CD (GitHub Actions) pour les tests (couverture > 90%) et le build de conteneurs. Stack unifiée : Python (uv), Kubernetes, Docker, Tilt.
-
Création d'un système d'agents IA (CrewAI) via une interface Streamlit qui analyse une offre d'emploi et réécrit ce CV pour mettre en évidence les compétences et expériences les plus pertinentes. Il s'agit de la "Version dynamique" de ce CV.
-
Développement du chatbot présent sur cette page. Il permet de poser des questions en langage naturel sur mon parcours en se basant sur une version détaillée de mon CV. Il utilise une architecture RAG avec Qdrant comme base de données vectorielle et un graphe d'états (LangGraph) pour un comportement agentique robuste.
-
Mise en place et maintenance d'un cluster Kubernetes (MicroK8s) dont l'état est entièrement défini par un dépôt Git. L'approche "App of Apps" avec ArgoCD et des charts Helm "maison" permet une gestion hiérarchique et un déploiement automatisé de l'ensemble des services.
Sources : Cluster (my-kluster) | Charts Helm (my-charts)