Romain AndreIngénieur en Intelligence Artificielle

Contexte

Système de recommandation produits/clients à destination d'équipes commerciales. Le moteur répond à deux sens : étant donné un client, quels produits lui recommander ? Étant donné un produit, quels clients cibler ? Le tout exposé via une API REST avec gestion du cold-start et des règles métier.

Approche

• Architecture two-stage : Two-Tower Model pour le retrieval vectoriel suivi d'un Reranker Deep & Cross Network pour le scoring final
• Feature engineering comportemental (RFM) combiné à des embeddings textuels produits, pipeline d'entraînement avec split temporel strict
• API REST bidirectionnelle avec cold-start par fallback popularité et filtrage des règles métier

Résultats

Stack technique

Contexte

Conception d'un système de génération augmentée par récupération (RAG) pour enrichir les réponses d'un assistant IA avec des données internes de l'entreprise. Le pipeline devait être robuste, scalable et servir des utilisateurs en temps réel.

Approche

• Architecture RAG complète : ingestion documentaire, indexation vectorielle, retrieval et génération
• Orchestration des chaînes de raisonnement avec LangChain et LangGraph
• Exposition via API FastAPI + WebSocket pour des interactions en streaming
• Monitoring et évaluation des performances avec LangSmith

Résultats

Stack technique

Contexte

La prise de décision en jiu-jitsu brésilien est hautement contextuelle et séquentielle — les pratiquants intermédiaires peinent souvent à savoir quoi faire dans une situation donnée. En tant que compétiteur, j'ai conçu RollSenseAI pour combiner le raisonnement symbolique (graphe de connaissances issu de flowcharts) avec la puissance des LLMs, afin de fournir un support décisionnel explicable, des conseils de préparation physique adaptés au grappling et des explications techniques structurées.

Approche

• Architecture multi-agents orchestrée : Agent décisionnel (graphe de connaissances / flowcharts), Agent conditioning (RAG + documents d'entraînement), Agent technique (livres, règlements IBJJF/ADCC), Agent de clarification, Agent de sécurité
• Graphe de connaissances modélisant les positions, états et actions du jiu-jitsu brésilien avec des relations LEADS_TO, REQUIRES, COUNTERS — permettant un parcours déterministe et des réponses explicables
• Pipeline RAG (chunking, embedding, recherche vectorielle) alimentant les agents conditioning et technique avec des sources de référence
• Orchestrateur central gérant la classification d'intention, le routage inter-agents et l'état conversationnel (position, gi/no-gi, niveau)
• Agent de sécurité dédié pour détecter les questions médicales, ajouter des disclaimers et prévenir les conseils d'entraînement dangereux

Résultats

Stack technique

Contexte

Smart Live Prod est un projet collaboratif financé par Bpifrance et la Région Bretagne, réunissant Electric Brain, l'équipe VAADER de l'INSA Rennes et Vodalys. L'objectif : rendre les retransmissions vidéo live accessibles aux ~300 000 locuteurs LSF en France, en générant automatiquement une traduction en Langue des Signes Française à partir du texte parlé. J'ai eu la charge du Lot 2 — le module de traduction LSF — en collaboration avec l'INSA Rennes.

Approche

• Pipeline modulaire texte → glosse → pose → vidéo, inspiré de l'état de l'art en génération automatique de langue des signes
• Module text2gloss : modèle NMT Transformer (OpenNMT) entraîné sur corpus multilingue, avec fine-tuning progressif vers la LSF et augmentation de données (back-translation, self-training)
• Module gloss2pose : lexique structuré glosse → poses, recherche sémantique contextuelle par sentence embeddings (HuggingFace), lissage des transitions entre signes
• Évaluation BLEU/ROUGE pour text2gloss, évaluation humaine par locuteurs LSF pour gloss2pose

Stack technique

Contexte

Challenge Kaggle international visant à prédire la distribution de ~10 000 espèces végétales à l'échelle européenne. L'enjeu : exploiter des données environnementales hétérogènes (satellite, climat, sols) pour modéliser la présence d'espèces, avec des applications directes en conservation de la biodiversité.

Données

• Images satellite Sentinel-2 (RGB + NIR, résolution 10m/pixel, ~1M de patches 128×128)
• Séries temporelles multispectrales Landsat couvrant 20 ans (6 bandes, 84 saisons)
• Séries temporelles bioclimatiques (température, précipitations)
• Variables environnementales tabulaires : bioclimatiques, pédologiques, altitude, occupation des sols, empreinte humaine
• 90 000 observations PA (présence-absence) et 5M d'observations PO (présence seule)

Approche

• XGBoost avec optimisation bayésienne (HyperOpt/TPE) sur les données tabulaires environnementales
• ResNet-50 à deux branches (RGB + NIR) avec transfer learning ImageNet pour les images satellite
• ResNet-18 pour les séries temporelles spectrales et bioclimatiques
• Fusion multimodale : concaténation des 4 branches (MLP tabulaire + 2×ResNet-18 + ResNet-50) suivie d'une couche fully-connected
• Seuillage optimisé sur le F1 micro pour la classification multi-label (seuil optimal : 0.212)

Résultats

Stack technique