Christian Segnou

Mission Airbus (Aéronautique) : Développement d'un chatbot intelligent et extraction de données documentaires • Conception d'un chatbot basé sur des LLMs avec ajustement via LangChain et RAG. • Extraction de textes depuis des documents complexes à l'aide de YOLO et OCR avancés. • Mise en place d'un pipeline MLOps complet : o Tracking des expériences avec MLflow et versionnement des données via DVC. o Stockage des modèles entraînés sur Azure et déploiement via FastAPI. o Surveillance et monitoring des performances avec Evidently AI. • Évaluation des sorties RAG avec RLHF : o Entraînement d'un LLM expert capable de noter les réponses du RAG de manière autonome en imitant l'évaluation humaine grâce à la méthode RLHF. o Réduction de la dépendance à une intervention humaine pour l'évaluation des performances des réponses. • Déploiement d’une interface utilisateur intuitive avec Streamlit. Mission Stellantis (Automobile) : Automatisation et contrôle de conformité avec des agents IA multimodaux Vérification de la qualité rédactionnelle : • Développement d’agents IA pour contrôler si les rapports d’inspection automobile respectent les règles définies dans le guide rédactionnel. • Utilisation de RAG et de bases de connaissances vectorielles pour une analyse précise et rapide des contenus textuels. Contrôle de la cohérence texte-image : • Création d’agents IA multimodaux pour vérifier la correspondance entre les illustrations des rapports et leurs descriptions textuelles conformément à la charte graphique. • Intégration de modèles multimodaux pour détecter automatiquement les incohérences entre le contenu visuel et textuel. Sécurité et efficacité des données : • Utilisation de Llama 3.2:3B pour des extractions précises avec gestion locale des données. • Conteneurisation avec Docker et mise en œuvre d’une base de données MongoDB. Mission Logistique : Vision par ordinateur et OCR pour le suivi des équipements • Automatisation de 11,000 fichiers PDF avec YOLOv8 et bases relationnelles. • Conception et mise en place d'un pipeline MLOps : o Tracking des expérimentations et des modèles avec MLflow. o Versionnement des données avec DVC et stockage des modèles sur Azure. o Déploiement des modèles via FastAPI pour une intégration continue. o Monitoring des performances et dérives avec Evidently AI. Environnement technique : Python, LangChain, RAG, YOLOv8, Azure, Docker, MongoDB, FastAPI, MLflow, DVC, Evidently.

Accompagnement des entreprises dans l'acquisition et l'implémentation des technologies LLM. • Conception et animation de formations personnalisées : o Modules couvrant les fondamentaux de l'IA, le fine-tuning et le déploiement des LLMs. o Techniques avancées en NLP (Word2Vec, embeddings de mots) et architecture Transformer. • Pratiques innovantes en LLMs : o Utilisation de bases de données vectorielles et RAG pour les solutions augmentées. o Enseignement du fine-tuning avec RLHF via Vertex AI (Google Cloud). o Déploiement et gestion de modèles en production avec des outils comme Comet (LLMOps). • Projets réels : o Chatbots personnalisés, outils de résumé de texte, systèmes Q&A interactifs. Environnement technique : Python, PyTorch, LangChain, HuggingFace, Vertex AI, Comet, Bases de données vectorielles.

Formation en compétences data pour employés non spécialistes - Préparation et animation de cours théoriques et pratiques, de travaux pratiques (TP) et exercices en statistiques appliquées à la data science. - Enseignement des techniques de prétraitement des données pour optimiser leur analyse et leur exploitation. - Formation au machine learning supervisé et non supervisé, permettant une compréhension approfondie des modèles prédictifs de regression et de classification. - Initiation aux fondamentaux du deep learning, avec des applications concrètes en vision par ordinateur (CV) et en traitement automatique du langage naturel (NLP).

Compétences: Recherche et Développement (R&D), Modélisation, Python, Data Science, Data Visualisation, Data Cleaning, Data Analysis, Scikit-Learn, Pandas, Numpy, Scipy, Matplotlib, Sympy.

Enseignant de Python (cours, TD, TP) aux étudiants des niveaux L1 à L3. Le programme allait des bases de Python à l'introduction au machine learning et deep learning.

Suivi des révisions périodique du parc wagon