Davy Jordan Medjialeu Nantcho

R&D AI — Conception d'un assistant LLM sécurisé pour la synthèse documentaire tout en respectant les normes RGPD et l'AI Act → Architecture RAG en production : système de génération augmentée par récupération interrogeant +5 000 documents, produisant des synthèses contextuelles en moins de 5 minutes (vs 45 minutes en traitement manuel). → Fine-tuning NER sur corpus spécialisé : entraînement d'un modèle de reconnaissance d'entités basé sur CamemBERT, atteignant un F1-score supérieur à 85% sur un domaine technique exigeant. → Benchmark et évaluation rigoureuse : comparaison de 4 LLMs (Mistral 7B, LLaMA 3 70B, BioMistral, MedGemma-27B ) via un pipeline d'évaluation à 2 niveaux — métriques automatiques (ROUGE,BART) et validation par experts métier. → Déploiement privacy-first : architecture 100% locale avec Ollama, zéro fuite de données vers des services externes, conforme RGPD et HDS → Intégration en production : connexion temps réel avec le logiciel métier ONCO pour génération de synthèses à la demande. Stack : Python · LangChain · FAISS · ChromaDB · CamemBERT · Ollama · Mistral · LLaMA · BioMistral · MedGemma · RAG · NER · Flask

Conception et déploiement d'un système d'interaction vocale homme-machine sur le robot humanoïde Pepper, dans un contexte d'accueil grand public (cinéma). → Pipeline NLP vocal end-to-end : reconnaissance vocale (Google Speech API), compréhension d'intention via GPT-3.5, génération SQL dynamique, et synthèse vocale (TTS) pour une expérience fluide. → Backend Flask orchestrant transcription, interprétation LLM, et interrogation d'une base SQLite (films, horaires, trailers) avec gestion des erreurs et des cas ambigus. → Démarche produit : évaluation utilisateur, collecte de feedbacks, itérations sur les prompts et l'UX vocale pour améliorer la satisfaction. Stack : Python · Flask · GPT-3.5 · Google Speech API · SQLite · NLP · Robot Pepper

Objectif : Développer une architecture Deep Learning capable de prédire la structure secondaire d'acides aminés (Hélice Alpha, Feuillet Bêta, Pelote) à partir de séquences protéiques. → Développement d'architectures hybrides : Implémentation et optimisation de modèles BiLSTM et de réseaux hybrides CNN-LSTM pour capturer les dépendances temporelles et spatiales complexes des séquences. → Data Engineering & Débogage : Diagnostic et résolution de problèmes critiques liés au parsing des données et au déséquilibre massif des classes (class imbalance), permettant de débloquer l'apprentissage du réseau. → Analyse critique & Amélioration continue : Évaluation rigoureuse des modèles via des métriques avancées (F1-Score, Recall par classe) et proposition d'améliorations architecturales (couches CRF, pondération des classes/Focal Loss) pour surpasser les biais statistiques. Stack : Python, Keras, TensorFlow, Pandas, Scikit-learn

-Développer des modules performants en utilisant le framework .NET, garantissant une interface efficace et réactive adaptée aux besoins clients. -Analyser les exigences techniques et fonctionnelles pour structurer une architecture logicielle robuste et évolutive, adaptée au commerce en ligne. -Optimiser la gestion de base de données MySQL, assurant une disponibilité accrue et une performance renforcée pour le traitement des transactions. -Concevoir et implémenter une plateforme e-commerce innovante pour la vente des E-bikes, intégrant des fonctionnalités sécurisées pour optimiser l'expérience utilisateur et renforcer la fiabilité technique. -Concevoir et développer un site e-commerce de vente de e-bikes en utilisant le framework .NET et MySQL, assurant performance et sécurité. Cette expérience full-stack me donne aujourd'hui une vraie compréhension end-to-end : je conçois des solutions IA en pensant intégration, performance et expérience utilisateur — pas juste modèle. Stack : .NET| C# | MySQL | HTML/CSS/Javascript