Tom Delahaye

Conception et développement de solutions Data & IA visant à automatiser les processus, réduire les tâches à faible valeur ajoutée et améliorer le quotidien des équipes métier. • IA générative et systèmes agentiques • Automatisation de workflows métier • Applications LLM et RAG • Data Science & Machine Learning • Développement Python, APIs et intégrations IA

Mission de conseil Data & IA menée chez AAA DATA, au sein de la Direction des Données et Analyses, à l’interface entre les équipes Data et les équipes métier. • Refonte de modèles de scoring prédictif : reconstruction de quatre modèles dédiés à la prédiction d’acquisition automobile et de modification d’adresse. Construction de bases temporelles, définition des cibles, feature engineering, prévention du data leakage, entraînement LightGBM, optimisation avec Optuna, interprétabilité SHAP et évaluation par Recall@30 %, lift et déciles. • Conception de workflows d’IA générative pour automatiser et assister la production de livrables métier : communiqués de presse, rapports et documents d’analyse. Mise en place de workflows combinant traitements déterministes, LLM et validation humaine afin de fiabiliser les contenus générés. • Développement d’applications Data & IA destinées à des utilisateurs métier, avec interfaces React/TypeScript et backends Python/FastAPI, intégration de modèles via AWS Bedrock et génération automatisée de livrables. L’objectif était de rendre les prototypes directement utilisables par des profils non techniques. • Exploration de solutions d’IA directement intégrées à Snowflake, notamment pour l’interrogation de données en langage naturel, la génération documentaire et l’exploitation d’une couche sémantique. • Benchmark de solutions LLM et Cloud, participation à la configuration de l’environnement AWS Bedrock et prise en compte des problématiques de sécurité, confidentialité, coûts et industrialisation. • Accompagnement des équipes dans l’adoption de l’IA, notamment à travers la documentation, la restitution des travaux et une formation au prompt engineering. Mon rôle impliquait également de traduire les besoins métier en solutions techniques et d’en expliquer les choix et limites.

Stage en Intelligence Artificielle chez SIPLEC – E.Leclerc, avec pour objectif d’explorer, concevoir et industrialiser des solutions IA capables d’automatiser des processus internes et d’améliorer l’accès à l’information pour les équipes métier. • Développement d’un chatbot documentaire basé sur une architecture RAG et multi-agents : conception d’un pipeline complet d’ingestion de documents, parsing multi-formats, segmentation, génération d’embeddings, indexation vectorielle, recherche documentaire et orchestration d’agents spécialisés. • Conception d’un backend agentique permettant d’orchestrer plusieurs agents spécialisés pour la recherche documentaire, le résumé, le RAG et certains traitements spécifiques, avec intégration des modèles Gemini et persistance des conversations. • Développement d’un agent IA d’analyse d’appels d’offres capable d’ingérer des dossiers hétérogènes, d’extraire les informations clés, de générer des clarifications et des rapports techniques, puis de restituer les résultats sous forme de tableaux, cartes et exports PDF. • Automatisation de processus internes : développement d’un outil de contrôle de données RH permettant d’identifier automatiquement les incohérences entre plusieurs sources, ainsi que d’un workflow d’automatisation des tickets Jira et de la diffusion des release notes. • Industrialisation de solutions IA sur Google Cloud : utilisation de Cloud Run, Cloud SQL/PostgreSQL, pgvector et Cloud Jobs pour le déploiement, la persistance des données et l’exécution de pipelines documentaires. • Exploration des architectures agentiques modernes, notamment avec Google ADK et MCP, afin d’étudier l’orchestration d’agents, le tool calling et l’interopérabilité avec des services externes. • Travail en interaction directe avec les équipes métier, avec plusieurs cycles de POC et d’amélioration successifs afin d’adapter les solutions aux besoins opérationnels réels.

Unsupervised Deep Learning for Information Retrieval of Long Documents • Utilisation de techniques de deep learning pour représenter des documents sous forme de vecteurs et identifier les plus pertinents pour une requête donnée. • Application de méthodes d'apprentissage non supervisé pour réduire la complexité du problème et traiter des textes de longueurs variées sans nécessiter de données labellisées. • Développement d'un système de recherche d'information robuste, capable de traiter tout type de document grâce au NLP et aux techniques de réduction de dimension. • Acquisition de compétences avancées en Python, NLP, deep learning et apprentissage non supervisé pour mener des expériences sur des données réelles.