VAIBHAV ELANGOVAN

– Industrialisation de projets de Machine Learning en transformant des notebooks de R&D et du code expérimental en systèmes de production robustes, lisibles et maintenables. – Déploiement de solutions ML selon différents modes: batch scoring, API REST et workflows de streaming selon les besoins métiers. – Collaboration étroite avec les équipes Data Scientists et MLOps afin de livrer des solutions conformes aux standards internes (tests, validation, CI/CD, documentation). – Optimisation des pipelines de production (temps d'exécution, empreinte mémoire, stabilité) pour garantir une exécution fiable en environnement industriel. – Mise en place et suivi de l'observabilité des modèles : détection de dérive des données et des modèles avec systèmes d'alerting. – Contribution aux initiatives GenAI par l'intégration de composants LLM dans des outils internes pour des cas d'usage d'analyse et de synthèse de texte contrôlés. – Conception de patterns d'orchestration LLM avec LangChain (templates de prompts, chaining, tool-calling) avec attention portée à la traçabilité et aux contraintes coût/performance.

– Conception et développement d'un moteur de scoring sémantique des risques aligné sur le NIST Cybersecurity Framework (CSF v2), permettant la cartographie et l'évaluation automatique de réponses textuelles libres issues de questionnaires. – Conception d'un système RAG (Retrieval-Augmented Generation) pour l'évaluation sémantique de questionnaires alignés sur le NIST Cybersecurity Framework (CSF v2). – Conception d'une ontologie métier (fonctions, catégories, sous-catégories, niveaux de maturité) pour un raisonnement structuré et une agrégation explicable des scores. – Implémentation d'une stratégie d'embeddings multi-représentations (description longue, intention courte, contexte catégorie et fonction). – Construction d'un pipeline de retrieval sémantique multi-signaux combinant embeddings question seule, réponse seule et question-réponse. – Implémentation de la méthode Reciprocal Rank Fusion (RRF) avec priorités sémantiques et pondération par catégorie. – Intégration d'un LLM pour la génération d'évaluations et de scores interprétables (approche RAG). – Conception orientée explicabilité, traçabilité et auditabilité pour des cas d'usage gouvernance et conformité. – Évaluation sur un jeu de données annoté manuellement (Top-5 accuracy 81%).

– Travail sur différents pipelines MLOps pour l'équipe Data Science. – Mise en place de pipelines CI/CD pour des projets ML et GenAI via GitHub Actions. – Implémentation du suivi des modèles avec MLflow et Vertex AI (GCP). – Contribution à la création et à l'optimisation de pipelines ML sur AWS. – Support aux premières expérimentations LLM et RAG selon les bonnes pratiques MLOps (versioning de prompts, jeux d'évaluation, reproductibilité). – Participation à l'industrialisation de pipelines RAG (gestion des embeddings, indexation vectorielle, déploiement et monitoring). – Mise en place de bonnes pratiques LLMOps: suivi des prompts, datasets d'évaluation, monitoring et reproductibilité.

– Application de techniques de Visual SLAM pour drones autonomes. Conception et implémentation d'algorithmes avancés de vision par ordinateur afin d'améliorer la navigation et la cartographie. – Extraction et appariement de points caractéristiques (ORB). – Estimation de pose pour le calcul de la position et de l'orientation 3D du drone. – Intégration du système SLAM avec le logiciel de contrôle de vol. – Tests terrain et ajustements pour améliorer la précision et la robustesse du système.

– Conception et présentation d'un concept de vision par ordinateur dans un environnement startup. Développement d'un proof of concept destiné à des investisseurs. – Projet: Analyse d'images de plateaux retournés dans des cantines collectives afin de détecter et quantifier le gaspillage alimentaire (ex. excès de pâtes sur plus de 50 plateaux).

– Conception et développement d'une application GenAI orientée sécurité exploitant des modèles de langage pour la question-réponse contrôlée et l'analyse de documents privés. – Implémentation d'un pipeline RAG (Retrieval-Augmented Generation) pour ancrer les réponses du LLM sur des sources documentaires fiables et réduire les hallucinations. – Développement d'un backend FastAPI exposant des endpoints sécurisés avec validation des requêtes et réponses structurées. – Intégration d'un système d'indexation vectorielle et de recherche sémantique pour un retrieval efficace. – Support d'exécution avec LLMs cloud et locaux pour permettre des environnements contrôlés et du testing offline. – Application de bonnes pratiques de sécurité GenAI : structuration des prompts, validation des entrées et des sorties.

– Contribution au développement d'un robot de maquillage en simulant et entraînant son comportement dans un environnement virtuel avant déploiement sur un robot réel. – Simulation de la tâche avec un robot UR5, des caméras de profondeur et un mesh facial sous ROS Gazebo. – Développement des cinématiques directe et inverse avec MoveIt. – Calibration caméra eye-on-hand. – Détection de landmarks faciaux avec DLIB et reconstruction 3D. – Calcul de la cinématique inverse pour atteindre les cibles 3D. – Développement de la fonction de récompense pour l'algorithme de reinforcement learning.

– Développement de solutions de vision par ordinateur pour l'onboarding investisseurs et des algorithmes AML/FT. – Extraction automatique d'informations à partir de documents (passeports, IBAN). – Containerisation et mise à l'échelle avec Docker, Docker Swarm et Kubernetes. – Déploiement d'API REST sur AWS.

– Développement d'une application de prédiction d'animaux à partir d'images pour l'adoption animale en France. – Conception d'un CNN (MiniVGGNet) pour la classification. – Déploiement sous forme d'API REST sur AWS EC2.

– Containerisation d'applications Python et C++ pour drones sur NVIDIA Jetson Nano avec Docker. – Création d'images Docker intégrant OpenCV et ROS.

– Développement d'une API de contrôle de projecteur via DMX (ENTTEC Open USB). – Suivi en temps réel du point lumineux le plus intense pour l'alignement automatique.