Accueil

Tom Graci

Tom Graci - Photo de profil
Ingénieur agroalimentaire & builder IA

A propos de moi

Je fais le lien entre expertise métier agroalimentaire, données industrielles et prototypes logiciels assistés par IA. Mon angle : cadrer les besoins terrain, piloter les bons outils IA/code, puis vérifier que le résultat est fiable, utile et exploitable.

Voir mes projets concrets Télécharger mon CV
📅
08/2026 Fin d'études
🌱
Agro Formation
🧠
Data/IA Spécialisation
Profil passerelle métier × IA

Ce que j'apporte à Tracklab

Je ne me positionne pas comme développeur pur senior. Je me positionne comme un profil capable de transformer un problème métier réel en prototype numérique testable, en utilisant l'IA comme accélérateur tout en gardant le jugement terrain.

01

Compréhension terrain

Qualité, traçabilité, référentiels HACCP/IFS/FSSC 22000, données hétérogènes et contraintes d'atelier.

02

Besoin → prototype

Cadrage fonctionnel, API, dashboards, RAG, automatisations et itérations rapides avec outils IA.

03

Validation métier

Je sais challenger les sorties IA : sources, seuils, cohérence réglementaire, utilité opérationnelle.

IA & Tech

Tech & Outils

Stack de prototypage : assez de code pour cadrer, assembler, tester et livrer vite avec l'aide des outils IA.

Deep Learning & IA

Python

Python

Scikit-learn

Scikit-learn

PyTorch

PyTorch

LangChain

LangChain

Prototypage Web & API

Streamlit

Streamlit

FastAPI

FastAPI

Flask

Flask

HTML/CSS/JS

HTML/CSS/JS

JavaScript, Next.js et NestJS API

JS / Next.js / NestJS

Data Engineering & Ops

Pandas

Pandas

Git

Git

PostgreSQL

PostgreSQL

SQL

SQL

Pentaho Data Integration

Pentaho Data Integration

Docker

Docker

Projets

Projets réalisés / En cours

Applications concrètes de l'IA et de la data science dans l'agroalimentaire

Fabriq IA Project

Fabriq IA - Analyse qualité & décision assistée

Application Python/Flask qui transforme les inspections Fabriq en synthèses qualité : master JSONL, ChromaDB, FlashRank, Mistral local et routage vers Pandas ou retrieval IA.

  • Cas d'usage : synthèses mensuelles, récurrences de non-conformités, plans d'action
  • Preuves visuelles : extraction des photos Fabriq liées aux non-conformités
Python Pandas Fabriq API ChromaDB FlashRank Flask
Mildiou AI Project

VigneAI - Système IA Low-Cost pour Prévention du Mildiou

Écosystème IoRT complet avec rover autonome et réseau de neurones embarqué pour prédiction en temps réel des risques de mildiou sur vigne.

Arduino C++ Neural Network LoRa
LaitML Project

Spectro IA - Classification Non-Destructive NIR

Solution d'analyse rapide par spectroscopie NIR pour identification et contrôle qualité des boissons végétales.

Python Scikit-learn Spectroscopie Quasar
MeatSense Project

MeatSense - Vision industrielle produit

Prototype Streamlit/TensorFlow pour classifier des images de viande fraîche ou avariée, avec interface simple et score de confiance.

Python TensorFlow Streamlit CNN
OpenReg Graph Project

OpenReg Graph - GraphRAG pour la Sécurité des Aliments

Système d'IA locale utilisant Neo4j pour structurer les données réglementaires et répondre avec une précision absolue sur les seuils critiques.

  • GraphRAG local-first pour limiter les hallucinations sur les seuils
  • Évolution cloud : dashboard FoodRegGraph avec Neo4j AuraDB
Neo4j Ollama GraphRAG Streamlit
AgroWorld Rover

AgroWorld Rover - Edge AI & FPV

Robot terrestre avec téléopération FPV asynchrone et pipeline Edge AI embarqué (DINOv2) pour conduite autonome par Behavioral Cloning.

  • Architecture Raspberry Pi + Arduino + caméra + WebSockets
  • DINOv2 ONNX, collecte de données et tests unitaires critiques
DINOv2 FastAPI Raspberry Pi 5 ONNX Runtime
Agro
🍃
🌾
🌱
🥕
🍅
🌿
🥬
🌽

Agro & Data Science

Expertise à l'intersection de l'IA, de la vision par ordinateur et de l'industrie agroalimentaire.

🥈 Silver Medal

CSIRO Image2Biomass Competition

Prédiction de biomasse végétale à partir d'images haute résolution via Deep Learning (Vision Transformers, CNN)

276e / 3907 participants
Top 7% Classement final
0.72 R² weighted (Top 1: 0.79)
🏆 Profil Kaggle 📦 Code GitHub

Industrie Agroalimentaire

3 ans chez Savencia en qualité. Référentiels HACCP, IFS, FSSC 22000. Automatisation workflows et systèmes RAG pour synthèse qualité.

Formation & Data Science Appliquée

Ingénieur Agro Dijon (2026), spécialisation Data & Numérique. IA appliquée, data science et innovation agroalimentaire.

Apprentissage

Apprentissage Continu

Veille et entraînement ciblés pour mieux cadrer, tester et expliquer les systèmes IA appliqués.

Agentic coding Je travaille avec les outils IA en gardant le cadrage problème, les critères d'acceptation et la validation métier.
Compétition & preuves Kaggle CSIRO, projets publics GitHub, prototypes RAG/API et Edge AI.
Veille utile Papers, XAI, GraphRAG et rapports sur la valeur de l'expertise métier avec les agents IA.
CS336 Stanford
CS336 Language Modeling from Scratch

Full Stanford course completed. Tokenizer, transformer implementation and training from scratch.

Math Foundations
Linear Algebra, Stats & Probability Review

3Blue1Brown, Bruno Vallette (Linear Algebra for All), Before Machine Learning Vol.1–3 (Linear Algebra, Calculus, Probability & Statistics for A.I.).

AI Engineering Book
AI Engineering (Chip Huyen)

Book completed. RAG patterns, fine-tuning, model deployment in production.

Kaggle + VigneAI
January 2026

🥈 Kaggle CSIRO Silver (Top 7%) + VigneAI Edge Neural Network deployed on Arduino.

3 AI Projects
February 2026 - R&D Projects

FeatureFlow (GitLab Hackathon), Vesuvius Challenge (Kaggle), AgroWorld Rover (Edge AI).

3 Projects
March 2026 - Active Projects

AgroWorld Rover completed, Zerve AI Hackathon (GraphRAG), BirdCLEF Kaggle Competition.

BirdCLEF
April 2026 - Kaggle Focus

BirdCLEF 2026: audio classification for bird species identification.

2 Kaggle Challenges
May 2026 - Active Competitions

Neural Debris Removal in Streak Detection Models and Orbit Wars.

Neural Debris Removal

Kaggle • Model Repair
›

Echo Orchard

Reddit Hackathon
›

Arm AI Tuner

Arm AI Hackathon
›

Papers Lus Récemment

  • Attention Is All You Need (Vaswani)
  • LoRA: Low-Rank Adaptation (Hu et al.)
  • BERT: Bidirectional Transformers (Devlin)
  • DINOv2: Visual Features (Oquab et al.)
  • EVA-02: Visual Representation (Fang et al.)
  • RAG for Knowledge-Intensive NLP (Lewis)
  • HNSW: Hierarchical Navigable Small World
  • ConvNeXt: A ConvNet for the 2020s
  • AI in Agro-Food Systems (Aghababaei)

Events & Hackathons

  • XAI Conference - AI Explainability (Oct 2025)
  • MLH API Global Hack Week (Nov 2025)
  • Yann LeCun Conference - Deep Learning (Nov 2025)
  • MLH AI/ML Global Week (Dec 2025)
  • GitLab AI Hackathon - FeatureFlow AutoPilot (Feb 2026)
  • MLH Data Hack Week (Feb 2026)

Skills Acquired 2025–2026

  • Apprentissage renforcé des maths pour le ML
  • Exos TensorTonic appliqué
  • Review Research Paper
  • XAI : approfondissement des concepts d'algo SHAP et LIME

Ma démarche : En complément de ma formation d'ingénieur, je me forme activement sur la partie technique (Stanford CS336, lecture de papers, Kaggle). Je cherche à transformer chaque concept en projet concret, comme avec AgroWorld ou Fabriq IA, pour construire des outils qui répondent vraiment aux besoins du terrain et aux enjeux de l'Agriculture 5.0.

Programme de la Conférence XAI

Programme de la conférence sur l'Explicabilité de l'IA