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
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
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
● 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
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
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
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
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
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
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
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
● 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
● 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
● 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