Nathan Guihot

Conception et développement Full-Stack d'une solution d'entreprise dédiée à la gestion intelligente de capacité de stockage et à la détection d'anomalies sur des parcs hétérogènes multi-OS. * Orchestration LLM & Agents avec LangGraph : Mise en place d'une couche d'intelligence artificielle pilotée par LangGraph. Construction de graphes décisionnels pour les LLM afin d'assurer l'explication, la vulgarisation et la priorisation des anomalies détectées, garantissant des réponses fiables et structurées. * Architecture IA Hybride : Conception d'un système à trois moteurs (Statistique, Machine Learning, Hybride). Implémentation d'un moteur statistique robuste (Tukey fences, Theil-Sen) et d'un moteur ML intégrant des algorithmes de Histogram Gradient Boosting (classification) et d'Isolation Forest (détection de nouveauté non supervisée). * Développement Backend (Python) : Création d'une API robuste en Python 3.12 et FastAPI, incluant un laboratoire ML pour l'entraînement et l'évaluation de modèles, ainsi que la génération automatisée de rapports PDF (WeasyPrint). * Développement Frontend (TypeScript) : Création de l'application cliente en Next.js 16 et React 19 (TypeScript), intégrant des tableaux de bord interactifs et des outils de simulation de données.

J'ai mené de bout en bout l'évolution de l'observabilité de l'infrastructure vers une intégration avancée de l'Intelligence Artificielle Générative (systèmes agentiques), en concevant des architectures sécurisées à l'échelle industrielle. Architecture Agentique & Protocoles (MCP) : * Conception et déploiement d'une infrastructure basée sur le Model Context Protocol (MCP) via fastmcp, découplant l'intelligence des LLMs de l'exécution des outils du SI. * Développement d'un "Middleware Enterprise" gérant la configuration sécurisée des secrets, l'observabilité (logging complet des appels du LLM) et la traduction des erreurs techniques en langage naturel. * Création d'un catalogue de plusieurs "Tools" répartis sur des serveurs métier permettant au LLM d'effectuer des requêtes complexes. * Sécurisation "Zero Trust" : Développement d'un Proxy MCP sécurisé en Node.js intégrant l'authentification SSO. Systèmes RAG & Bases de Connaissances : * Conception d'une chaîne RAG de bout en bout. * Développement d'un programme Python de synchronisation continue (idempotent) entre les dépôts techniques GitHub et la base de connaissances de l'AI Assistant de Kibana, assurant un contexte toujours à jour pour le LLM. Data Engineering & Pipeline Logstash : * Création d'un plugin filtre natif en Ruby pour Logstash. Ce composant permet d'interroger un LLM (via HTTP POST) directement pendant la phase d'ingestion des logs pour extraire, classifier ou résumer des anomalies techniques sous forme de JSON structuré (Structured Output). Observabilité Avancée & Automatisation (DevOps) : * Création de pipelines automatisés d'extraction de données (CMSDB) et de génération dynamique d'inventaires Ansible via l'API REST d'Elasticsearch. * Exploitation approfondie et analyse de performance des langages de requêtes d'Elasticsearch (ESQL, Query DSL, KQL, EQL, Painless) pour le monitoring proactif et la cybersécurité.