Data Science · IA · Build in public
Diplômé Data Science & IA du bootcamp Le Wagon, je construis des projets concrets en public — APIs ML conteneurisées, agents IA, automatisations. Mes 10 ans en marketing digital m'aident à cadrer les bons problèmes et à livrer des résultats mesurables.
01
Après plus de 10 ans à piloter du marketing digital, je me suis spécialisé en Data Science et IA via le bootcamp Le Wagon. Aujourd'hui je construis des projets concrets — services FastAPI déployés sur GCP Cloud Run, modèles de prédiction, systèmes multi-agents — disponibles en open source sur GitHub.
Ma méthode : partir d’un problème métier clair, comparer une baseline à une approche améliorée, documenter hypothèses et limites, livrer du reproductible. Reproductibilité, mesurabilité, honnêteté sur les limites — pour des projets utiles, pas des démos.
Mon ancrage marketing reste un atout — je lis la donnée avec une lentille métier et je sais ce qu'un KPI veut dire pour une équipe. Objectif : un premier poste Data Scientist junior, stage ML/IA, ou collaboration sur des projets data/IA — Suisse romande, hybride ou distance.
02
03
Une sélection de projets personnels, mis en ligne ou en cours de développement.
Service de prédiction ML déployé sur Google Cloud Run : API FastAPI conteneurisée avec endpoint de prédiction, documentation Swagger interactive et structure projet reproductible (Dockerfile, Makefile, tests). Pensé comme socle réutilisable pour exposer un modèle ML en production.
Système multi-agents IA qui automatise la recherche d'emploi : évaluation des offres sur plusieurs dimensions, génération de CV optimisés ATS et soumission des candidatures via Playwright.
Checkpoint NVFP4 (compressed-tensors, ~18 Go) d’un Qwen3.8-27B, packagé pour vLLM sur NVIDIA Blackwell / DGX Spark (GB10). Édition en espace des poids (abliteration des couches 18–51, pas un fine-tune), puis quantification oneshot avec llm-compressor. Cible : inférence locale sur Spark, contexte jusqu’à 262k avec KV cache FP8.
Jeu d’évaluation bilingue (FR/EN) pour mesurer le refus vs la conformité d’un LLM après abliteration. Traduction française des prompts (GX10 qwen-coder, translate-only), labels Qwen3Guard, sans completions assistant — ce n’est pas un corpus de fine-tune. Dédupliqué, publié sur Hugging Face.
Serveur MCP minimal pour lire et envoyer des emails via IMAP/SMTP — zéro dépendance externe (stdlib Python uniquement). Compatible avec Claude Desktop, Cursor, Hermes et tout client MCP. Fonctionne avec n'importe quel fournisseur mail (Infomaniak, Gmail, iCloud, Proton Bridge…).
Outil de benchmark mesurant la capacité des LLMs à restituer du code précis dans de longs contextes : teste le rappel positionnel en demandant aux modèles de reproduire verbatim des fonctions JS/Python, avec scoring automatique ligne par ligne et dashboards comparatifs via Plotly.
04
Une formation marketing solide, complétée par un bootcamp Data Science & IA pour structurer ma reconversion.
Python, ML, deep learning, IA appliquée en entreprise.
05
10 ans à la croisée du marketing digital, de la donnée et du pilotage opérationnel.
05
Ouvert à un premier poste Data Scientist junior, stage ML/IA, ou collaboration sur un projet data/IA concret. Écrivez-moi.
La Tour-de-Peilz · Suisse romande