Alexandre Poupeau

● Contexte: Dans le cadre de la stratégie d’adoption de l’IA générative au sein d’EDF, accompagnement des équipes techniques et métiers dans l’identification des usages, des outils et des bonnes pratiques permettant d’améliorer la productivité et l’efficacité des collaborateurs. ● Actions: - Analyse et cartographie des outils et projets d’IA générative déployés ou en cours de développement. - Rédaction d’un guide de référence présentant les usages, bénéfices et bonnes pratiques de l’IA générative pour les utilisateurs techniques et non techniques (Développeurs, Product Owners, équipes métiers). - Recommandation des technologies et frameworks adaptés aux différents cas d’usage (LangChain, LangGraph, ADK, architectures agentiques). - Élaboration de supports méthodologiques pour l’utilisation de l’IA générative dans les activités de développement logiciel. - Création de questions d'entretien permettant d’évaluer les futurs développeurs qui intégreront EDF sur leur maîtrise des outils d’IA générative. ● Résultats: - Mise à disposition d’une vision consolidée de l’écosystème IA générative d’EDF. - Acculturation des équipes aux usages et aux bonnes pratiques de l’IA générative. - Contribution à la structuration des futurs recrutements autour des compétences IA et des nouvelles pratiques de développement assisté par IA.

1️⃣ Audit Technique — Data Pipeline Azure ● Contexte : Une pipeline de traitement de millions de documents (images, PDFs) sur Azure n'avait jamais été auditée, avec une architecture non dimensionnée pour la croissance attendue. ● Action : Étude de profiling complet de la pipeline, production d'un PowerPoint de 50 slides (bottlenecks, gains estimés en performance/coûts/qualité) et proposition d'une architecture scalable découpée en 5 phases priorisées. ● Résultat : Feuille de route technique claire permettant au client de planifier sa montée en charge sereinement. 2️⃣ Optimisation des points critiques ● Contexte : L'audit révèle plusieurs points critiques: recherche de keywords lente, call MongoDB inefficace, OCR vieillissant, sous-optimisation des modèles GenAI & LLM, absence de similarité documentaire. ● Action : Remplacement de l'algorithme de recherche par Aho-Corasick, refactorisation MongoDB, migration vers Azure Document Intelligence, rééquilibrage de tâches LLM génériques par des modèles spécialisés (LID, NER), optimisation usage LLM via LangChain et développement d'une fonctionnalité de Text Embeddings pour le matching documentaire. ● Résultat : - ⭐ La recherche de keywords est passée de 3h45 à 5ms pour un document de 100 pages. Gain de performance ×2.000.000 représentant ~65 000 $ d'économies par tranche de 100 000 documents. Le client peut désormais signer des contrats avec des clients d'une envergure qu'il jugeait hors de portée, en 2 semaines de développement. De plus, peut supporter la recherche de centaines de milliers de keywords + prise en charge des marques de moins de 4 lettres + évite la détection de faux positifs. - Post-processing MongoDB est passé de plusieurs minutes à moins d'une seconde, avec un temps de stockage réduit d'un facteur 100. - Pipeline GenAI / LLM plus rapide, moins coûteuse et plus fiable grâce aux modèles spécialisés. - Une optimisation de matching documentaire par Text Embeddings.

Responsable de 6 projets clés sur toutes les phases; conception, développement, production, monitoring: – Modèle de Propension (+100 ventes par mois, +100K$ / mois étalé sur 12 mois) – Modèle de Best-Offer – Modèle de Détection de Fraude – Dashboard de suivi des ventes pour Scotiabank – Évaluation d'un modèle ML de prédiction de résiliation (Churn) – Modèle de Computer Vision state-of-the-art (DONUT) pour la lecture automatique de documents. Initiative personnelle de développement de deux packages génériques pour: 1. le téléchargement massif de documents internes 2. l'extraction automatique de pages ciblées via OCR (modèles SOTA : DB pour l'extraction de texte, SVTR pour la reconnaissance) Initiatives personnelles complémentaires : – Formation d'un Data Scientist junior – Mise en place des bonnes pratiques de développement (GitLab, CI/CD, tests, documentation...) – Référent Beta Tester pour une nouvelle plateforme DevOps – Amélioration de la qualité des données dans les databases internes – Communication inter-équipes autour des projets – Animation de sessions internes sur les nouveaux outils pour stimuler l'innovation

– Développement d'un système de Deep Learning pour la ré-identification de personnes (ReID) robuste aux variations de pose, de contexte et d'apparence dans des vidéos. – Analyse des faiblesses du modèle en production (CNN baseline ResNet50): biais de fond, occlusion, couleur, rotation, luminosité, résolution... – Conception et évaluation de nouvelles architectures utilisant à la fois l'image brute et la segmentation des personnes (via DeepLabV3 ResNet101) pour améliorer la robustesse au background. – Initiative personnelle: étude des zones d'attention du modèle (via Occlusion Sensitivity et CAM) pour mieux comprendre son comportement. – Environnement technique: Python, Tensorflow, Tensorboard, Docker, GPU.

– À la suite d'un stage concluant, Neoxia m'a recruté pour une mission d'un mois afin de réaliser un Proof of Concept (POC) d'API sur AWS, dans le cadre d'un besoin client spécifique. – Environnement technique: Python, PostgreSQL, AWS, Airflow.

– Aborder le Deep Learning appliquée à l'analyse de séries temporelles dans un contexte IoT. Traitement de centaines de millions de mesures de capteurs hydrologiques dans un environnement Big Data, avec pour objectif la prédiction de pannes via des réseaux de neurones récurrents (RNN). – Formation à TensorFlow et à la Google Cloud Platform (GCP) – Intégration au projet Big Water, solution de gestion des données hydrauliques pour un acteur majeur du secteur de l'eau en France – Conception, entraînement et optimisation de modèles prédictifs de pannes – Conception et développement d'une architecture API asynchrone sur GCP – Déploiement automatique de l'infrastructure et du modèle en production – Environnement technique : Python, Tensorflow, Google Cloud Platform (GCP), BigQuery, Jupyter, Cassandra & SQL, Ansible, Flask, Celery.