AI Engineer · freelance ou CDI

Clément Reboul · AI Engineer

Du notebook à la production.

Développeur pendant 5 ans, à présent ingénieur IA. Je conçois des modèles que je rends fiables, déployés et monitorés là où naît la valeur.

API en production · 0,78 AUC · 96 % de tests · voir l'appel en direct

Navigation : appuyez sur M ou cliquez sur Menu pour la roue de sélection

EN PRODUCTIONcredit-scoring-api
GET/health200 OK POST/predict?SK_ID_CURR=100001200 → { "decision":"ACCORDE", "proba":0.37 }
0.78
AUC
-
Latence réelle
96%
Tests

Appels réels à l'API en production - vérifiez vous-même

  • Île-de-France · Hauts-de-France · à distance
  • Freelance ou CDI · MLOps · GenAI · LLMOps
  • Sapeur-pompier volontaire
5
Ans dev web · lead
14
Projets IA
02
API en prod
// 01

Profil

5 ans développeur web, puis reconversion via le parcours AI Engineer Master.

De ces années de dev, je garde une culture d'ingénieur : du code testé, déployé, maintenu. C'est souvent ce qui manque entre un notebook et une vraie mise en production.

J'ai couvert toute la chaîne : modélisation (scoring, classification, computer vision), industrialisation MLOps (API, Docker, CI/CD, monitoring de drift), systèmes GenAI (RAG, évaluation LLM) et spécialisation de LLM (SFT, LoRA, DPO, service vLLM).

Ma conviction : un modèle ne vaut que servi, surveillé et maintenable. La valeur naît en production, pas dans le notebook. Disponible en freelance ou en CDI sur les sujets MLOps et LLMOps, les plus demandés de 2026.

Portrait de Clément Reboul
Clément ReboulAI Engineer · MLOps & GenAI
  • Disponibilité - freelance ou CDI, MLOps / GenAI
  • Expérience - 5 ans en dev web, dont lead dev
  • Stack - Python, FastAPI, Docker, MLflow, LangChain
  • Basé en Île-de-France & Hauts-de-France - sur site / télétravail
// 02

Parcours

Cinq ans de développement web (front, back, full-stack) à Paris puis reconversion AI Engineer. CV complet →

Expérience
  1. mai 2025 - nov. 2025
    Développeur Full Stack
    ComeOnLaw · CDI
    Django · Django REST
  2. oct. 2024 - mai 2025
    Développeur front-end
    Paris Fashion Shops · CDI
    Vue.js · TypeScript
  3. juin 2024 - oct. 2024
    Développeur front-end
    Extracadabra · CDI
    Quasar · Vue.js
  4. févr. 2022 - juin 2024
    Développeur front-end
    FAIRLY MADE
    NestJS · applications web
  5. janv. 2021 - janv. 2022
    Développeur Full Stack
    Snapkey
    JavaScript · Git
  6. mai 2020 - oct. 2020
    Développeur Full Stack
    Octave
    Svelte · NestJS · Node.js
Formation
  1. nov. 2025 - oct. 2026
    AI Engineer · Bac+5
    OpenClassrooms
    ML · MLOps · GenAI/RAG · RL · agents · fine-tuning
  2. 2021 - 2022
    Concepteur-développeur · Bac+4
    Simplon.co
    développement d'applications
  3. 2020
    Dév. Web & Web Mobile · Bac+2
    École O'clock
    front-end · back-end · sécurité
  4. 2019 - 2020
    Développeur web
    The Hacking Project
    Ruby on Rails · peer learning
// 03

Hard skills

La stack que j'utilise en mission, adossée à des projets concrets et des livrables publics. Carte mentale interactive →

Machine Learning & Modélisation
scikit-learn · LightGBM · XGBoost · SHAP · coût métier
MLOps & Mise en production
FastAPI · Docker · CI/CD · MLflow · Evidently · Prometheus
GenAI & LLM / RAG
LangChain · pgvector · Milvus · Mistral · Ragas · guardrails
Fine-tuning de LLM
SFT · LoRA · DPO · TRL · PEFT · vLLM
Agents & orchestration
LangGraph · routage conditionnel · agrégation de sources · traçage MLflow
Deep Learning & Computer Vision
PyTorch · ResNet-50 · transfer learning · semi-supervisé
Data Engineering
Airflow · PostgreSQL · ETL · pandas
Reinforcement Learning
Gymnasium · DQN · stable-baselines3
Langages & outils
Python · SQL · Git · Streamlit · pytest · Ruff · uv
Front-end
Vue 3 · TypeScript · Quasar · Nuxt · Angular · Vitest
Conduite de projet data
cadrage besoins · audit · trade-offs · vulgarisation
LanguesFrançais Anglais
// 04

Projets

Quatorze projets. Onze viennent de la formation et vont du ML classique au MLOps, au fine-tuning de LLM, aux agents IA et à la computer vision. La plupart des dépôts sont publics et documentés. Les trois derniers tournent en production.

Projet phare● En productionMLOps

Credit Scoring MLOps

Mise en production d'un modèle de scoring crédit

Un modèle LightGBM servi par une API FastAPI conteneurisée, déployée en continu sur Hugging Face Spaces. La V2 ajoute une boucle : chaque lundi, le workflow surveille la dérive et le coût métier, réentraîne un challenger en cas d'alerte et propose sa mise en production dans une Pull Request.

Rigueur47 tests sur le scoring, API couverte à 96 %, environnement reproductible sous Docker et choix documentés avec leurs limites.

Gestion de projetdécoupage itératif, Definition of Done et CI bloquante. La partie technique de la V2 a fini quatre jours avant la date prévue malgré trois incidents.

FastAPIDockerCI/CDEvidentlyMLflow RegistryDVC
Dashboard Streamlit de monitoring : distribution des scores, décisions, latence.
Fine-tuning LLM · POC

Triage médical

Agent d'aide au triage aux urgences

Qwen3-1.7B spécialisé par SFT + LoRA (1 % des paramètres entraînés, 42 min sur une RTX 3080) sur 5 000 paires bilingues anonymisées, puis trois runs DPO dont deux échecs documentés. 91,9 % d'exactitude et 31 urgences vitales sur 31 détectées, là où le modèle de base ne répond jamais au format. Servi par vLLM derrière une API FastAPI sur GPU, avec un garde-fou par barème et un journal d'audit chaîné.

Curiositétrois runs DPO tentés au-delà du SFT. Les deux échecs restent documentés au lieu d'être tus.

SFTLoRADPOvLLMFastAPIModal
Courbe MLflow de la perte de validation du fine-tuning : de 1,54 au pas 50 à 1,36 au pas 500, un plateau dès le pas 400.
Agent IA · LangGraphFull-stack

Ouvertures FFE

Agent d'apprentissage des échecs - Fédération Française des Échecs

Agent LangGraph qui, pour une position donnée, agrège la théorie (Lichess), l'évaluation du moteur (Stockfish), un RAG Wikichess sur Milvus et des vidéos YouTube. Quand la partie sort de la théorie, le graphe bifurque et s'en remet au moteur. Interface Angular, sept services orchestrés par Docker Compose, traces MLflow et métriques Prometheus.

LangGraphMilvusFastAPIAngularMongoDBDocker
L'agent sur la défense sicilienne : coups conseillés tracés sur l'échiquier, évaluation Stockfish à +0,36 et parties de maîtres relevées par Lichess.
● En productionRégression · MLOps

Seattle Energy

Énergie & CO2 des bâtiments - API déployée

Prédiction multi-cibles : consommation énergétique (Random Forest, R² 0,73) et émissions CO2 (LightGBM, R² 0,92) des bâtiments de Seattle. Modèles servis par une API FastAPI conteneurisée et déployée sur Hugging Face Spaces.

Random ForestLightGBMFastAPIDocker
Surface des bâtiments et consommation d'énergie en échelle logarithmique : un point par bâtiment, coloré par ses émissions de CO2.
Modélisation · SHAP

TechNova

Attrition RH - causes de démission

HR analytics pour une ESN de 1 470 salariés (turnover 16 %) : classification LightGBM (ROC-AUC 0,80) et interprétation des facteurs de départ par SHAP, du diagnostic métier aux recommandations.

LightGBMSHAPscikit-learn
Graphique SHAP : heures supplémentaires, participation au PEE et satisfaction globale dominent la probabilité de départ.
GenAI · RAG

Puls-Events

Chatbot RAG d'événements culturels

RAG de bout en bout sur plus de 16 000 événements Open Agenda : chaîne LangChain avec garde-fous anti-hallucination, API FastAPI, évaluation Ragas (fidélité 0,93, réponse en 2,6 s). L'index Faiss de la V1 a laissé place à PostgreSQL et pgvector. Chaque question est tracée dans Langfuse avec son coût et l'API tourne sur Azure, décrite en Terraform.

Créativitéune pagination par curseur de date pour ingérer les événements sans rien perdre ni compter deux fois.

LangChainpgvectorLangfuseAzure OpenAIRagasTerraform
Architecture de la V1 de Puls-Events : ingestion, vectorisation Faiss, chaîne LangChain + Mistral, API.
Computer Vision · SSL

BrainScanAI

Détection de tumeurs sur IRM

Apprentissage semi-supervisé sur un large corpus non labellisé : features ResNet-50, clustering (GMM), pré-entraînement sur labels faibles. Audit de fuite (dédup MD5) - recall cancer 0,90–1,00.

Esprit d'analyseune fuite de données repérée par un audit MD5 des images avant de croire aux scores.

PyTorchResNet-50clusteringSSL
Matrices de confusion des deux phases et courbes ROC : supervisé AUC 0,99, semi-supervisé AUC 0,98.
Modélisation · MLflow

Prêt à Dépenser

Scoring crédit & tracking MLflow

Comparaison de 5 modèles en validation croisée, optimisation d'un coût métier asymétrique et du seuil, interprétabilité SHAP, tracking complet MLflow (params, métriques, registry).

Vulgarisationl'AUC traduite en coût métier, celui d'un mauvais payeur accepté face à celui d'un bon client refusé.

LightGBMMLflowSHAPscikit-learn
Interface MLflow : les runs comparés, triés par coût métier, chacun avec son seuil et sa stratégie de validation croisée.
Data Engineering · ETL

CheckItAI

Pipeline d'acquisition multimodale

Pipeline ETL reproductible (texte + image) pour un détecteur de fake news : extraction automatisée, transformation, orchestration Airflow, chargement PostgreSQL, dashboard KPI et plan de monitoring.

AirflowPostgreSQLDockerStreamlit
Tableau de bord du pipeline : 29 publications retenues, 90 % de validité, exécution complète en 0,99 seconde.
Reinforcement Learning

Astro Dynamics

Agent RL - atterrisseur lunaire

Entraînement d'un agent DQN sur LunarLander (Gymnasium), architecture client/serveur (API FastAPI + visualisation Streamlit) et enregistrement vidéo des atterrissages réussis.

GymnasiumDQNstable-baselines3
Courbes de récompense des quatre expériences DQN : seule la quatrième, à un million de pas, franchit l'objectif de 200.
Computer Vision · POC

Fashion-Insta

POC de segmentation de vêtements

Preuve de concept de segmentation d'images de vêtements à partir d'un modèle pré-entraîné (Hugging Face) : évaluation par IoU, visualisations, et estimation de coût « build vs buy » pour cadrer la faisabilité.

Computer VisionSegmentationHugging FacePOC
Une photo de vêtement, son masque de segmentation par classe et la superposition des deux.
Hors formation · en production

Trois projets que je fais tourner en production à côté du parcours, dont deux produits pour de vrais utilisateurs. Le code est privé ; ce qu'ils font ne l'est pas.

● En productionSérie temporelle · Agent LLMCode privé

SDIS-Predict

Prévision des interventions des sapeurs-pompiers

Micro-SaaS qui prévoit le nombre d'interventions quotidiennes d'un service d'incendie à partir du calendrier (fériés, ponts, vacances) et de la météo. LightGBM sur 21 variables, seuil de tension par territoire, et un briefing opérationnel rédigé par un agent LLM à partir des prévisions. Entraîné sur trois ans de la London Fire Brigade et sur un jeu de démonstration. Interface Reflex, image Docker publiée par la CI et déployée sur un VPS, accès par compte.

LightGBMOpen-MeteoOpenAIReflexDockerCI/CD
Tableau de bord SDIS-Predict : prévision de la charge opérationnelle sur quatorze jours, avec les jours en tension signalés.
● En bêtaSaaS · GenAICode privé

SaadFlow

Montage des dossiers d'aide à domicile

Plateforme B2B pour les services d'aide à domicile : éligibilité APA et PCH, Cerfa pré-remplis, pièces lues par vision et OCR dans un worker asynchrone, intake conversationnel et courriers rédigés par LLM (Mistral ou Anthropic), RAG réglementaire sur pgvector. FastAPI et Next.js, 324 tests, déploiement continu sur VPS avec suivi d'erreurs et page de statut. Bêta sans données de santé réelles tant que l'hébergement n'est pas certifié HDS.

FastAPINext.jspgvectorMistralRedisDocker
Vitrine de SaadFlow : promesse de financement débloqué plus tôt, et un dossier type avec GIR estimé, reste à charge et étapes d'instruction.
● En productionData engineering · MLCode privé

Pipeline de données ouvertes

Carburants et électricité, collectés chaque heure sur un Raspberry Pi

Deux collecteurs Python relèvent chaque heure les prix des carburants et l'électricité (mix, CO2, couleurs Tempo) dans DuckDB. dbt les transforme en tables testées par 133 tests, et un test qui échoue bloque la mise à jour du site. Un modèle entraîné sur 12 saisons et suivi dans MLflow prévoit les jours rouges Tempo de J+2 à J+7, avec un F1 de 0,70 contre 0,58 pour une règle. Sur le PC, Dagster rejoue le pipeline et charge les mêmes modèles dbt dans Databricks.

DuckDBdbtDagsterMLflowDatabricks
// 05 - étude de cas

Credit Scoring MLOps

Un modèle de crédit se dégrade quand la clientèle change. La V2 le surveille chaque semaine, le réentraîne en cas d'alerte et laisse un humain valider la mise en production. Le rapport de conduite de projet raconte tout le chantier.

0,78
AUC sur le test figé (v4)
−8,1 %
Coût métier après réentraînement
2/4
Mois simulés en alerte
~6 ms
Latence d'inférence
96 %
Couverture de l'API
0 €
Coût d'infra

Ce que démontre le projet

  • Chaque lundi, GitHub Actions compare le dernier lot mensuel à la référence avec Evidently et recalcule le coût métier. Une dérive ou un coût en hausse ouvre une issue d'alerte.
  • Le challenger réentraîné doit coûter au moins 1 % de moins que le champion sur des données qu'aucun des deux n'a vues, sans dégrader le test figé. Au mois 3, la règle a refusé ; au mois 4, elle a promu la v4.
  • La promotion arrive en Pull Request. Après fusion, le CI/CD déploie le modèle, l'API lit son seuil et sa version, et le Registry MLflow lui donne l'alias champion.
  • DVC versionne les données, le Registry MLflow versionne les modèles, tous deux hébergés sur DagsHub.
Pull Request de promotion ouverte par le workflow au mois 4 : le tableau champion / challenger que le relecteur valide.

Essayez le modèle

Le problème : une banque reçoit une demande de prêt et doit décider de l'accorder ou non, sans savoir si la personne remboursera. Le modèle estime une probabilité de défaut, et un seuil la transforme en décision.

Les dossiers : de vraies demandes du jeu Home Credit anonymisé, servies par l'API en production. Le SK_ID_CURR est l'identifiant de la demande. Cliquez : la requête part vers le Space, la réponse affichée est la sienne.

Probabilité de défaut -
0,00 remboursement certaindéfaut certain 1,00
- Sélectionnez un dossier
0,48

Pourquoi 0,48 et pas 0,50 ? Parce que les deux erreurs ne coûtent pas pareil. Accorder un prêt à quelqu'un qui ne remboursera pas fait perdre le capital ; refuser un bon client ne fait perdre qu'une marge. Le projet chiffre ce rapport à dix contre un. Chaque modèle reçoit le seuil qui minimise cette facture en validation croisée, et l'API renvoie celui du modèle qu'elle sert. Déplacez-le : à gauche la banque devient frileuse, à droite elle prête les yeux fermés.

POST /predict-
// 06 - CV

Mon CV en fiche modèle

Le PDF d'une page se télécharge en bas de la fiche. Au-dessus, le même parcours au format que vos équipes lisent déjà tous les jours.

clement-reboul/ai-engineer v2026.10 Model card
base_modelDéveloppeur full stack, 5 ans en production
fine_tuned_onAI Engineer Bac+5, OpenClassrooms
languagesFR natif, anglais professionnel
deploymentÎle-de-France, Hauts-de-France
statusDisponible en freelance & CDI
licenseMission cadrée, périmètre annoncé
14
Projets IA
02
API en production
96 %
Couverture de tests
0,78
AUC du modèle servi
~6 ms
Latence d'inférence

Intended use

  • Mise en production d'un modèle : API, CI/CD, monitoring de drift
  • Systèmes GenAI : RAG sur pgvector, évaluation Ragas, coûts suivis dans Langfuse
  • Pipelines de données en production : dbt, Dagster, Airflow
  • Spécialisation d'un LLM : SFT, LoRA, DPO, service vLLM
  • Renfort front Vue 3 ou Quasar, migration Vue 2 vers 3

Out of scope

  • Recherche fondamentale et entraînement de modèles de base
  • Data science qui s'arrête au notebook : ce n'est pas là que j'aide

Limites connues

  • Un an d'IA appliquée, posé sur cinq ans de code livré
  • AWS et GCP en montée : mes déploiements tournent sur Azure, Docker et Hugging Face
  • Jeux de données jusqu'à quelques centaines de milliers de lignes
Interrogez le CV TF-IDF + SVD, rang 14, 26 documents · l'index tient dans la page, aucune requête ne part
// 07

Prestations

Des missions freelance avec un périmètre et une durée annoncés d'avance. Chacune repose sur ce que montrent les projets ci-dessus. Vous pouvez aussi les réserver sur mon profil Malt si vous préférez un contrat et une facturation déjà en place.

Mise en production d'un modèle

10 jours

Votre modèle sort du notebook et devient une API documentée, conteneurisée, déployée en continu et surveillée.

La preuve : Credit Scoring MLOps

POC IA cadré

10 à 15 jours

Du besoin métier à une API déployée que vos équipes testent sur vos données, avant de décider si le sujet mérite un vrai projet.

La preuve : SaadFlow

Audit d'un système RAG

5 jours

Un jeu d'évaluation construit sur vos questions réelles, des métriques Ragas, puis un plan d'action priorisé par impact et par effort.

La preuve : Puls-Events

Zones d'intervention. Paris et l'Île-de-France, l'Oise et les Hauts-de-France, sur site ou en télétravail. Le reste de la France à distance. Ces offres décrivent le format freelance et un poste en CDI se discute tout aussi bien. Votre besoin n'entre dans aucune de ces cases ? Décrivez-le-moi et je vous dirai en une réponse si je suis la bonne personne et sous quel format.

Discuter d'une mission
// 08 - Contact

Un besoin ? Parlons-en

AI Engineer disponible en freelance ou en CDI, en MLOps, GenAI/RAG et front Vue 3 - Paris, Île-de-France, Oise, Hauts-de-France. Décrivez-moi votre besoin : je vous réponds sur le périmètre, la durée et le prix.