Acerca de Christian
Ingénieur IA & MLOps | 10 ans d'expérience | LLM, RAG, Fine-tuning en production
Un POC IA qui fonctionne en démo ne fait pas un produit en production à l'échelle. Expert en conception et industrialisation de solutions IA pour plusieurs millions d'utilisateurs, je combine 10 ans d'expérience technique avec une expertise pointue en MLOps, GenAI et Data Engineering.
Pourquoi me choisir ?
Production prouvée: Solutions IA déployées pour plusieurs millions d'utilisateurs avec monitoring 24/7 et gestion d'incidents
Stack IA moderne: LLM (OpenAI, LLaMA), RAG, NLP, Computer Vision, Whisper
Approche MLOps: Pipelines complets du développement à la production avec CI/CD, versioning (MLflow) et réentraînement automatisé
Fiabilité garantie: Méthodologie BDD (Behave, PyTestBDD) pour une qualité irréprochable
Réalisations marquantes
Chatbot intelligent bi-modal avec architecture RAG (OpenAI + pgvector) et interface Gradio
APIs de transcription et génération(WhisperCPP, LLamaCPP) en container local
Serveur Vocal Interactif complet gérant des millions d'appels en production
Pipelines ETL critiques haute volumétrie avec contraintes fortes de performance
Infrastructure MLOps complète : monitoring, alerting, procédures d'exploitation
Stack technique
IA & ML: Python, PyTorch, Scikit-learn, Hugging Face, LangChain, Rasa, azureOpenAI ...
Data: Pandas, SQL, pgvector, Kafka, ETL ...
DevOps/MLOps: Docker, OpenShift, FastAPI, Ansible, MLflow, Behave, PyTestBDD ...
Cloud: AWS, Azure, Supabase
Mon approche
Je ne me contente pas de développer des modèles - je les industrialise pour qu'ils fonctionnent en production avec fiabilité et performance. Collaboration étroite avec les équipes métier, documentation rigoureuse et code maintenable sont au cœur de ma démarche.
Disponible pour missions de conseil, développement et industrialisation de vos projets Data/IA.
Francés
Bilingüe o nativo
Inglés
Competencia profesional completa
Acepta trabajo presencial
Paris (hasta 50 km), Niort (hasta 50 km), Bordeaux (hasta 50 km), Nantes (hasta 50 km), Toulouse (hasta 50 km)
Experiencia
- steerway
En Malt
Création d'une pipeline de fine-tuning/évaluation LLM pour un assistant de complétion de contenuEDICIÓN DE SOFTWAREmarzo de 2026 - abril de 2026 (1 mes)Dijon, FranciaCréation from scratch d'une pipeline complète de fine-tuning et d'évaluation de modèles LLM open source (4B à 27B paramètres) pour un assistant de complétion de contenu structuré.✅ Pipeline bout-en-bout- Package Python config-driven (YAML héritable) avec CLI : train → merge → eval → analysis, orchestré par script chain automatisé- 3 backends d'inférence implémentés (SGLang, vLLM, HuggingFace) avec gestion des incompatibilités cross-frameworks- MLflow Model Registry : adaptateurs LoRA versionnés, métriques training + eval liées, traçabilité complète- Métriques d'évaluation ventilées : similarité sémantique, recouvrement textuel, perplexité, latence, throughput, calibrage de longueur- Module d'analyse exploratoire du dataset (EDA) reproductible✅ Benchmarking systématique de 14 modèles- 14 modèles évalués en zero-shot, 10 fine-tunés, 30+ configurations testées- Exploration méthodique : datasets de tailles croissantes, 1-5 epochs, LoRA/DoRA, rangs 8-32, learning rates, rééquilibrage dataset- Gain mesuré du fine-tuning : +15 points de similarité sémantique- Rapport avec recommandations modèle et trade-offs qualité/latence/coût✅ Debugging et investigations techniques- Root cause analysis sur 10+ problèmes complexes (incompatibilités frameworks, OOM, catastrophic forgetting)- Benchmark comparatif de frameworks de training (Unsloth vs Axolotl vs TorchTune)- Déploiement et gestion de runs sur GPU Scaleway (L4 24GB, L40S 48GB, H100 80GB) : tuning VRAM par modèle, auto-shutdown✅ Livraison et process- Livrables complets et autonomes, validés avec le client à chaque étape- Code testé (unitaires + intégration), documentation technique complète- Rapport de mission avec recommandations et classement des modèles- Intégration au workflow et aux outils existants du clientStack : Python, PyTorch, Unsloth, LoRA/DoRA, SGLang, vLLM, MLflow, MongoDB, Scaleway GPU - MAIFData AI EngineerBANCA & SEGUROSabril de 2023 - Hoy (3 años y 2 meses)Niort, Francia
Ingénieur Data & Intelligence Artificielle
Missions principales
Conception, développement et industrialisation de solutions IA en production pour plusieurs millions d'utilisateurs, avec une approche MLOps complète.Réalisations clés
Serveur Vocal Interactif (SVI) à grande échelle — Réécriture complète (2026) Migration vers une solution full Python maison, en production sur plusieurs millions d'utilisateurs. Architecture event-driven (Kafka), arbre conversationnel exposé en API, classifier interne, persistance Redis. Inspiré de Cosmic Python : architecture hexagonale, séparation domaine/services/adapters, unit of work, repository pattern. Résultat : maintenabilité améliorée, découplage métier/infra, testabilité native.Chatbot intelligent bi-modal Chatbot avec modes traditionnel et RAG (Retrieval Augmented Generation), basé sur OpenAI, pgvector et Python. Interface Gradio fluide et intuitive.APIs IA haute performance APIs de transcription (WhisperCPP) et génération de texte (LLamaCPP) avec FastAPI, déployées sur OpenShift via images Docker optimisées. Hébergées en local pour confidentialité et performance.Infrastructure MLOps Pipelines MLOps complets : monitoring, procédures d'exploitation, gestion d'incidents, réentraînement des modèles. MLflow pour versioning et suivi des performances.Outils d'amélioration continue Outils de sampling et d'annotation pour optimiser l'entraînement des modèles. Base vectorielle intégrée à Kafka pour exploration et analyse des données.Analyses métier Études statistiques régulières pour éclairer les décisions et prioriser les besoins utilisateurs.Stack technique Python, Azure OpenAI, LLaMA, Whisper, FastAPI, Rasa, pgvector, Kafka, Redis, Docker, OpenShift, MLflow, Behave, PyTestBDD, Gradio, Pandas, PyTorch, Scikit-learn, Hugging Face, LangChain, NLP, Architecture hexagonale, Event-driven, Refactoring legacy - Kelguichet.comModule de visualisation interactif pour une application mobile Flutter en productionEDICIÓN DE SOFTWAREnoviembre de 2025 - noviembre de 2025Lyon, Francia✅ Développement complet du module (13 phases incrémentales)- 2 modes de visualisation distincts (vue liste enrichie + vue graphique interactive)- Navigation en cascade avec gestion d'état optimisée- Double système de filtrage/hiérarchisation- Recherche temps réel avec scroll automatique vers les résultats- Système de démo 3 modes (API + 2 datasets de test)✅ Architecture & Code de qualité- Création de helpers dédiés pour éliminer 100% de la duplication de code- Refactoring complet pour maintenabilité x2- Patterns réutilisables et testables✅ Optimisation & Performance- CustomPainter pour rendus graphiques optimisés- Scroll 2D fluide testé avec dataset volumétrique (300+ éléments)- Gestion élégante des cas limites (données manquantes, structures circulaires)✅ Process & Communication- Validations client régulièresRésultat : Module livré, validé et déployé
Reseñas
Recomendaciones
Sé el primero en recomendar a Christian
Ayuda a este freelance a destacar compartiendo tu experiencia.
Estos perfiles de freelance también coinciden con tus criterios
Agatha Frydrych
Backend Java Software Engineer
4.7
(3)
2
Baptiste Duhen
Fullstack developer
4.6
(4)
5
Amed Hamou
Senior Lead Developer
4
(2)
7
Audrey Champion
Web developer
4.3
(3)
4
Formación
- Doctorat de physique théorique et phénoménologiqueUniversité de Caen2011
- Master datascientistCentraleSupélec/OpenclassRoom2023📊 Formation Data Scientist Diplôme de niveau Master (Bac+5) certifié RNCP En partenariat avec CentraleSupélec 🎯 Parcours intensif 600 heures de formation (9 mois à temps plein) Formation professionnalisante couvrant l'ensemble de l'écosystème Data Science 💻 Compétences techniques maîtrisées Programmation & Analyse Python avancé pour la Data Science (NumPy, Pandas, Matplotlib, Scikit-learn) Statistiques descriptives et inférentielles Manipulation de données structurées et non structurées Machine Learning Apprentissage supervisé : régression linéaire/logistique, SVM, arbres de décision Apprentissage non supervisé : clustering (K-means, DBSCAN), réduction dimensionnelle (ACP, t-SNE) Méthodes ensemblistes : Random Forest, Gradient Boosting, XGBoost Deep Learning Réseaux de neurones et perceptrons Computer Vision : classification d'images (CNN) NLP : traitement du texte (Bag of Words, Word Embedding) Big Data & Déploiement Cloud Computing : AWS (Amazon Web Services) Calcul distribué : PySpark, Hadoop MapReduce MLOps : déploiement via API REST, dashboards interactifs Versioning : Git & GitHub 🚀 Projets professionnels réalisés ✅ Analyses statistiques multivariées pour recommandations stratégiques ✅ Modèles prédictifs (consommation énergétique, scoring crédit) ✅ Segmentation client pour optimisation marketing ✅ Classification automatique de biens de consommation (images + texte) ✅ Architectures Big Data pour traitement de données massives ✅ Mise en production de modèles ML via API et dashboards 🎓 Compétences transversales 📈 Data Visualization et storytelling 📝 Communication de résultats techniques à des non-experts 🔄 Gestion de projets data de bout en bout 🤝 Méthodologies agiles Cette formation m'a permis d'acquérir une expertise complète du métier de Data Scientist, de l'exploration des données à la mise en production d'algorithmes d'IA.