Tom Keldenich

Contexte: Intégration à l’IA Factory de BforBank, filiale du Crédit Agricole, pour concevoir et industrialiser un agent conversationnel bancaire intégré à l’application mobile, dans un environnement fortement contraint en matière de sécurité, confidentialité et fiabilité des réponses. Missions: ● Conception du backend Python / FastAPI, intégrant les APIs LLMs Gemini et des workflows agentiques pour orchestrer dynamiquement les parcours conversationnels. ● Mise en place de guardrails Model Armor et d’une architecture Multi-LLM-as-a-Judge pour sécuriser et contrôler la factualité, la pertinence et la conformité des réponses. ● Industrialisation des campagnes d’évaluation via Celery, avec exécution asynchrone des tâches longues afin d’optimiser les ressources backend. ● Développement d’une plateforme d’évaluation React / TypeScript pour mesurer les performances du RAG, des LLM et des mécanismes de sécurité. ● Mise en production sur GCP / GKE, avec orchestration Kubernetes et gestion des pods pour assurer le déploiement et la scalabilité de l’agent. ● Mise en place du scaling horizontal et du load balancing avec déploiements et configuration des ressources via Helm Charts ● Utilisation de Harness pour Agentic Coding (Gemini CLI) et optimisation de la consommation de tokens Résultats: ● Livraison d’un assistant RAG connecté à la FAQ BforBank, visant à automatiser les demandes les plus fréquentes et à réduire de ~70 % le recours aux conseillers. ● Démonstration de Jailbreak Resistance lors du red teaming mené par Mandiant (Filiale de Google), aucun jailbreak n’ayant permis de détourner l’agent. ● Passage en production d’un agent GenAI bancaire intégré à l’application mobile pour une base de 400 000+ utilisateurs.

Contexte : Développer le feature Explainability pour augmenter la confiance dans les outputs de LLM pour les clients enterprise. Startup US, entièrement bootstrapped, reconnue par Pinecone pour son leadership en RAG avec plus de 400 M de vecteurs stockés. Missions : - Pilotage produit technique (création backlog, spécification tickets UI/UX & marketing, priorisation) et développement backend en Python, FastAPI, Asyncio et LangChain. - Conçu et implémenté un pipeline LLM-as-a-Judge (“Claimify”) pour extraire les claims des outputs du modèle et les vérifier via les documents récupérés par RAG - Architecture d’un event flow asynchrone : triggers → analytics API → Celery queue → stockage MySQL/PostgreSQL ; ajout d’un CRON quotidien pour enrichissement et persistance des métriques Explainability. - Design patterns applicatifs; pratique régulière de pair/mob programming et code review. - Déploiement et observabilité sur AWS, pipelines CI/CD et monitoring. Résultats : Livraison d’un module Explainability prêt pour la production, adopté par des clients payants, renforçant la confiance et permettant de conclure des deals enterprise.

Contexte : Développement du backend d’eSpark, le Data Marketplace interne de l’entreprise, en collaboration avec des consultants AWS. eSpark centralise les data products pour que les équipes puissent facilement découvrir, s’abonner et accéder aux données, résolvant des problèmes persistants de visibilité et de workflows d’approbation. Missions : - Développement sur un backend serverless avec AWS Lambda (Python/Terraform), Step Functions, et API Gateway pour exposer des REST APIs sécurisées - Implémenté le workflow d’abonnement intégrant Databricks API afin de provisionner l’accès aux données de l’UI jusqu’aux notebooks Databricks - Intégré AWS SQS pour gérer les événements d’abonnement de façon asynchrone : messages SQS déclenchant des Lambdas pour provisionner l’accès S3, mettre à jour le catalogue et envoyer les confirmations - Mis en place des pipelines CI/CD avec GitHub Actions et SonarQube (quality gates) ; enforcement des rôles IAM - Transfert de connaissance des experts AWS vers les équipes internes Résultat : Backend prêt pour la production permettant un partage sécurisé des Data Products Contrôle d’accès robuste et conformité de gouvernance

Contexte : Développer le backend Python de la plateforme fieldglass.ai avec pour objectif de mettre à jour les actualités de manière automatique et de recevoir et répondre aux requêtes utilisateurs du frontend (API). Missions : - Développement d’un scraper robuste et d’un Agent IA (intégration OpenAI, LangChain / LangGraph, Asyncio) pour génération et synthèse automatique de contenus. - Exposition d’API RESTful asynchrones (FastAPI) sécurisées et mise en production sur GCP Cloud Functions. - Synchronisation et mise à jour automatique du Data Lake / Cloud Storage selon les retours de l’agent. - Application des méthodes Agile/SAFe, Git et revues de code. Résultat : Automatisation de la mise à jour en temps réel des actualités sur la plateforme. Intégration réussie avec l’API d’OpenAI permettant la génération de contenu

Context: Launch of Inside Machine Learning website to teach data processing and AI algorithm development in Python to novices and experts. Missions : - Writing articles on data processing and AI algorithm development in Python - Watch and tutorials on new AI algorithms (Python) - Participation in worldwide hackathon challenges in Python (Kaggle) - Answers and troubleshooting on readers' technical questions Result: Over one million visits to my Python articles Being cited as a source by CNRS, Stack Overflow and Wikipedia for my technical articles in Python First place in the Stores Sales Forecasting worldwide competition in Python, against experts from Google, Meta, Nvidia and Tencent.

Contexte : Développement d’extension pour l’application Pixano, outil central d’annotation et de validation utilisé par les équipes à Prague, au sein du GEEDS. Missions : - Conçu et maintenu l’API Pixano en Python 3.13, FastAPI et Asyncio, incluant ingestion d’images, gestion des datasets et endpoints d’inférence. - Intégré la base de données BigQuery pour stocker et requêter en temps réel les métadonnées d’annotation et les résultats de modèles. - Déployé et monitoré l’application sur Google Cloud Platform (Cloud Run, Cloud Storage), avec pipelines CI/CD et bonnes pratiques DevOps. - Travaillé en équipe Agile/SAFe, en utilisant Git pour la gestion de version et en pratiquant pair programming, mob programming et code review systématiques. Résultat : mise en production d’une application Pixano robuste et scalable, réduisant de 40 % le temps d’annotation des modèles entièrement automatisé sur GCP