Ingénieur agroalimentaire spécialisé en data et IA appliquée · Disponible en 2026
RAG, orchestration d'agents, automatisation de processus qualité, computer vision et prototypes data. Je pars du fonctionnement réel, des données disponibles et des contraintes d'usage pour construire puis tester un outil fonctionnel centré sur un besoin concret.
ExpérienceTrois ans en qualité agroalimentaire, avec la responsabilité de projets data & IA issus de problèmes terrain.
Je recherche un premier poste à l'intersection de l'IA appliquée, de la data et des enjeux industriels.
Applications métier
Ancrage : trois ans en qualité agroalimentaire et projets construits à partir de problèmes concrets.
Exemples : inspections Fabriq, réglementation, spectres NIR et images terrain.
Exemples : Flask, Streamlit, FastAPI, Docker, Raspberry Pi et microcontrôleurs.
Pratique : résultats Kaggle documentés, benchmark de LLM et audit assisté par agent IA.
Projets sélectionnés
Pour chaque projet : le besoin traité, ce qui a été construit, les contrôles prévus et les limites actuelles.
Projet Fabriq
Transformer les inspections hygiène issues de Fabriq, une application digitale, en synthèses, analyses de récurrence et supports aux plans d'action.
Des résultats, routines, ateliers, métadonnées et photos dispersés, difficiles à exploiter ensemble pour suivre les non-conformités.
Extraction via l'API Fabriq, nettoyage Pandas, master JSONL, embeddings SentenceTransformers, ChromaDB, FlashRank et interface Flask.
Équipes qualité qui préparent des synthèses périodiques et priorisent les actions correctives.
Routage selon la question : calcul Pandas, filtre structuré ou retrieval. Les photos restent associées aux non-conformités concernées.
.jpeg)
Projet ROVER AGRO
Robot terrestre avec téléopération navigateur et pipeline Edge AI préparant une conduite par imitation.
Collecter des données visuelles et des commandes de conduite synchronisées sur un rover aux ressources de calcul limitées.
Téléopération FPV, contrôle WebSocket, embeddings DINOv2 optimisés ONNX et journalisation des commandes sur Raspberry Pi 5.
Équipe souhaitant expérimenter la collecte terrain, la téléopération et l'inférence embarquée avant une automatisation plus avancée.
Heartbeat, reconnexion matérielle et enregistrement synchronisé des embeddings 384D avec les commandes du pilote.
Projet MeatSense
Conclure sur la salubrité d'un produit alimentaire à partir d'une image.
Évaluer si un modèle de vision peut distinguer deux classes visuelles, fraîche ou avariée, dans une interface accessible.
Dataset d'environ 3 300 images, modèle TensorFlow/CNN et interface Streamlit.
Utilisateur métier souhaitant tester une image et obtenir une classe accompagnée d'un score de confiance.
Le score de confiance est affiché avec la classe prédite afin de rendre la sortie du modèle directement interprétable dans l'interface.
Trois réalisations plus ciblées en robotique terrain, spectroscopie et recherche réglementaire.
Edge AI · Arduino · LoRa
Projet VigneAI
Rover low-cost pour étudier le risque de mildiou avec capteurs, réseau de neurones embarqué et supervision longue portée.
NIR · PCA · Classification
Spectro & ML project
Classification non destructive de boissons végétales à partir de spectres proche infrarouge.
GraphRAG · Neo4j · Food safety
Projet OpenReg Graph
Structurer les relations entre règlements, contaminants et matrices alimentaires pour interroger des seuils réglementaires de façon traçable.
Outils mobilisés dans les projets
Modèles, embeddings, graphes et inférence locale ou embarquée.
PyTorch
TensorFlow
Scikit-learn
ONNX
LangChain
Sentence
ChromaDB
Neo4j
FlashRank
Mistral
OllamaPréparation de données, services applicatifs, bases et workflows.
Python
Pandas
SQL
PostgreSQL
FastAPI
Flask
Streamlit
Pentaho
Power
Power BICode, notebooks, conteneurs, versionnement et travail assisté par agent.
Docker
Git
VS Code
Jupyter
Codex
HTML
CSS
JavaScriptRéférentiels, inspections, non-conformités et plans d'action.
Compétitions & hackathons
Kaggle · BirdCLEF+ 2026
Bioacoustique · classification multi-espècesPipeline documenté autour d'embeddings Perch v2, de fenêtres audio de cinq secondes et d'une modélisation temporelle, avec analyse du décalage public/private leaderboard.
Perch v2, ProtoSSM/ResidualSSM, priors site/heure/taxonomie, SED, pseudo-labeling et rank blending. Le principal acquis est une lecture plus critique du leaderboard et du risque de sur-optimisation sur le score public.
Kaggle · Neural Debris Removal
Computer vision · machine unlearningTravail public sur un détecteur RetinaNet/Detectron2 : stratégie de machine unlearning, préservation des détections propres et validation contre l'oubli collatéral.
Une simple suppression dégradait les détections propres. La stratégie finale combine teacher gelé, préservation des ancres non empoisonnées et des box deltas, masque aligné sur les ancres RetinaNet, pruning et court fine-tuning EWC. Le meilleur score public atteint 219,4257 ; le meilleur candidat public a terminé à 308,0971 en privé.
Kaggle · CSIRO Image2Biomass
Computer vision · régression multi-ciblePremière compétition Kaggle : ensemble DINOv3 + FiLM et SigLIP pour prédire cinq composantes de biomasse. La solution s'est classée 167e sur 3 907 équipes, dans le Top 5 %.
Expérimentation de modèles de vision et d'ensembles pour une tâche de régression multi-cible. La compétition m'a surtout appris à structurer une validation reproductible et à distinguer amélioration locale et généralisation leaderboard.
Kaggle · Kaggriculture
Construire un agent autonome capable de gérer les ressources d'une ferme simulée, de s'adapter à une économie dynamique et de rivaliser avec les autres agents.
Mon pipeline automatise la recherche, le code, l'audit et les soumissions, puis conserve chaque hypothèse et chaque score pour alimenter l'itération suivante.
Le résultat met à jour la mémoire du projet et déclenche la prochaine hypothèse.
Hermes Agent pilote les tâches planifiées sur un VPS : programmation, revue, recherche documentaire, suivi des expériences et compte rendu quotidien.
Research scout pour les forums et notebooks publics, experiment engineer pour le code, reviewer pour les contrôles, submitter pour Kaggle et archivist pour la mémoire du projet.
Vault Obsidian pour relier hypothèses, essais, scores et décisions ; skills dédiés au challenge pour rendre les procédures réutilisables.
État persistant, journal des actions et canal de reporting afin de suivre la loop et reprendre la main lorsqu'un arbitrage est nécessaire.
Kaggle
Vesuvius ChallengeSegmentation 3D de surfaces de papyrus dans des volumes CT : ResEncUNet avec attention scSE, objectifs Dice/Skeleton/Boundary, mixed precision et post-traitement topologique. Acquis : raisonner sur la connectivité et les métriques, pas uniquement sur la précision voxel.
Kaggle
Orbit WarsConception d'un agent de stratégie en environnement orbital, comparaison de politiques de décision et itérations guidées par les scores de compétition. Classement non conservé dans les sources du portfolio.
GraphRAG réglementaireAdaptation du pipeline réglementaire OpenReg dans un contexte de temps contraint. Acquis : réutiliser une architecture existante, réduire le périmètre et privilégier les requêtes structurées pour les valeurs critiques.
Arm AI
Arm AI TunerKit de benchmark Arm64-first comparant une recherche vectorielle de référence à une version avec normalisation pré-calculée et sélection top-k. Smoke test local documenté : accélération 1,78× avec 100 % de parité top-k.
Parcours professionnel
Formation agroalimentaire, expérience industrielle et enseignement appliqué.
Enseignement prévu
Intervention dans un module d'IA appliquée : RAG et modèles de computer vision sur des cas agronomiques et agroalimentaires.
Expérience professionnelle
Trois années en environnement agroalimentaire : référentiels HACCP, IFS et FSSC 22000, automatisation de workflows qualité avec Power Platform, analyse de données d'inspection, construction de pipelines Python et intégration d'un assistant RAG métier.
Formation
Formation d'ingénieur agroalimentaire, spécialisation Data & Numérique. Diplômé en août 2026.
Apprentissage continu
Comment je m'autoforme
Fabriq · RAG en production
01 · RAG & systèmes documentaires
Sources suivies RAG, HNSW, reranking, GraphRAG et documentation des vector stores.
Ce que j'en retiens Le RAG répond à un besoin concret en entreprise : ancrer les réponses dans le contexte documentaire propre à l'organisation. Intégré à un agent harness, il peut mobiliser sous contrôle plusieurs applications et sources de données au moyen de connecteurs MCP.
Mise en pratique Routage Pandas / retrieval dans Fabriq, requêtes Cypher déterministes dans OpenReg.
Kaggle · expérimentation documentée
02 · Évaluation & AI engineering
Sources suivies AI Engineering, Stanford CS336, papers de compétition et documentations d'évaluation.
Ce que j'en retiens Un modèle n'est utile qu'avec un protocole de test, des métriques et une boucle d'analyse d'erreurs.
Mise en pratique Benchmarks de LLM, validation Kaggle, rapports de recherche et dépôts reproductibles.
Agentic · orchestration et contrôle
03 · Systèmes agentiques
Sources suivies ReAct pour alterner raisonnement et action, agent harnessing pour fournir outils et contexte, loop engineering pour organiser l'amélioration continue.
Ce que j'en retiens Un agent fiable dépend moins d'un prompt unique que d'un environnement bien instrumenté : état persistant, permissions, traces, critères d'arrêt et reprise humaine.
Mise en pratique Audit assisté par agent IA et pipeline Kaggriculture : recherche, code, contrôle, soumission et capitalisation des résultats.
Bibliothèque active
Stanford CS336, Attention Is All You Need, BERT et LoRA : tokenizer, transformer, entraînement et adaptation efficace.
RAG, HNSW, embeddings, reranking, Cypher et GraphRAG : retrouver une information vérifiable avant de la reformuler.
ConvNeXt, LeafGAN, segmentation 3D, XAI, SHAP et LIME : augmentation, métriques, connectivité et interprétation.
Algèbre linéaire, calcul, probabilités, statistiques, PCA et embeddings basse dimension appliqués aux données spectrales et modèles ML.