Cette page rassemble 4 travaux en IA & Data autour des agents et des LLMs : gestion de bases documentaires, exposition d’APIs, orchestration de tools, adaptation PEFT, RAG, évaluation, observabilité et déploiement. Elle illustre le cycle complet d’un système LLM, du choix du modèle jusqu’à son intégration dans une application exploitable.
Pour chaque projet : le périmètre technique, la stack, les choix d’architecture, une démo et le code ou modèle associé.
Timeline des projets IA
2026-04 LocalMind — assistant conversationnel auto-hébergé
Rôle IA Engineer : concevoir et intégrer une application LLM locale de bout en bout, depuis le serving du modèle jusqu’à l’expérience conversationnelle et la génération documentaire.
Domaine : LLM application · Stack : Next.js 14 · TypeScript · Ollama · PostgreSQL · Prisma · Docker
- Architecture : assistant conversationnel auto-hébergé, inférence locale via Ollama, persistance des conversations avec PostgreSQL/Prisma et génération de documents Word ou PDF.
- Compétences démontrées : intégration d’un LLM dans une application web, conception d’API et de flux conversationnels, conteneurisation Docker et prise en compte de la confidentialité des données.
2025-10 RAG fiable, traçable & auditable
Rôle IA Engineer : construire un pipeline RAG vérifiable pour des documents complexes, avec séparation claire entre ingestion, retrieval, génération et traçabilité des réponses.
Domaine : RAG / IA de confiance · Stack : Neo4j · Ollama (Mistral 7B, nomic-embed-text) · FastAPI · React · Docker · Prometheus/Grafana
- Architecture : ingestion et structuration des documents dans Neo4j, recherche sémantique, génération locale avec Mistral et API FastAPI pour exposer le pipeline à l’interface React.
- Compétences démontrées : conception d’un agent de recherche, deep links vers la page source, citations auditables, instrumentation Prometheus/Grafana et surveillance de la qualité du retrieval.
2026-01 Spécialisation de LLM pour domaines métiers
Domaine : Fine-tuning · Stack : Qwen2.5-Coder-0.5B (4-bit) · LoRA/PEFT · Unsloth + TRL · Transformers · Ollama
Rôle IA Engineer : adapter un LLM open source à une tâche métier avec une empreinte mémoire maîtrisée et un protocole de déploiement reproductible.
- Méthode : fine-tuning supervisé d’un modèle quantifié 4-bit avec des adaptateurs LoRA/PEFT, entraînement accéléré par Unsloth et TRL, puis validation du comportement spécialisé.
- Mise en production : publication du modèle et de ses artefacts sur Hugging Face, puis déploiement local avec Ollama pour l’inférence.
- Compétences démontrées : préparation de données, quantification, entraînement parameter-efficient, comparaison coût/qualité et gestion d’un modèle gated.
2026-02 Agent SQL pour équipes métier
Rôle IA Engineer : orchestrer un LLM capable d’appeler un outil SQL de façon contrôlée, derrière une API exploitable par des utilisateurs métier.
Domaine : Agents LLM / Data · Stack : FastAPI · LLaMA · PostgreSQL · Gradio · Docker
- Architecture : chaîne text-to-SQL-to-text : interprétation de la question, appel d’un tool SQL, exécution PostgreSQL et reformulation de la réponse en langage naturel.
- Garde-fous : validation en lecture seule, contrôle des requêtes, séparation des responsabilités entre l’agent et la base, et logs d’audit.
- Compétences démontrées : tool calling, design d’API FastAPI, orchestration d’un agent, sécurité applicative, interface Gradio et déploiement Docker.
Compétences d’ingénierie IA
- Ingénierie LLM de bout en bout : intégration d’applications, agents, tool calling, APIs et serving local de modèles.
- Adaptation de modèles : quantification 4-bit, fine-tuning supervisé, adaptateurs PEFT/LoRA, déploiement et validation d’un modèle spécialisé.
- RAG et IA de confiance : retrieval documenté, citations vérifiables, garde-fous SQL, logs d’audit et attention portée à la souveraineté des données.
- Industrialisation : Python, TypeScript/Next.js, FastAPI, Docker, PostgreSQL, Neo4j et monitoring des coûts, logs et performances.
Curieux, pédagogue et autonome : ces projets sont nés de besoins concrets, documentés et conçus pour être repris en équipe.