Compréhension des enjeux métier
Je prends le temps de comprendre le contexte, les contraintes et les objectifs avant de choisir une approche technique. Une solution IA n'a de valeur que si elle répond à un besoin réel.
À l'écoute d'opportunités · Suisse romande & France
Je transforme des problèmes métier en solutions d'IA.
Ingénieure IA & chercheuse · Docteure en finance quantitative — de la stratégie IA à la mise en production
Les entreprises savent que l'IA peut créer de la valeur, mais se heurtent souvent aux mêmes obstacles : données dispersées, savoir métier difficile à exploiter, outils peu adoptés, projets bloqués au stade du prototype. Mon métier : transformer ces défis en solutions IA robustes et utiles, construites avec les équipes métier et techniques.
- 5+ ans d'expérience
- 6× certifs HarvardX
- 2 publications
- PhD + doctorat
01À propos
Ce qui me motive : transformer la complexité en impact.
Ce qui me passionne dans l'intelligence artificielle, ce n'est pas seulement la technologie. C'est sa capacité à rendre l'information plus accessible, à amplifier les capacités humaines et à aider les organisations à prendre de meilleures décisions.
Mon parcours combine deux mondes rarement réunis : la recherche académique de haut niveau et l'ingénierie IA appliquée. Docteure en finance quantitative, j'ai été formée à analyser des problèmes complexes, remettre en question les hypothèses et construire des modèles rigoureux fondés sur les données.
L'émergence de l'IA générative a marqué un tournant. J'y ai vu l'opportunité de mettre cette rigueur scientifique au service de défis concrets : valoriser la connaissance métier, automatiser des processus à forte valeur ajoutée et concevoir des outils réellement utiles aux utilisateurs.
Aujourd'hui, j'accompagne les organisations de l'idée à la mise en production. J'interviens à l'intersection du métier, de la donnée et de la technologie pour concevoir des solutions IA robustes, compréhensibles et adoptées par ceux qui les utilisent au quotidien.
Ma conviction est qu'une IA réussie n'est pas celle qui impressionne en démonstration, mais celle qui crée durablement de la valeur sur le terrain.
Rigueur scientifique
Leadership technique
Pédagogie
Résolution de problèmes
Communication
5+
ans en IA & data
15+
projets livrés
2
publications scientifiques
6
certifications HarvardX
02Ce que je recherche
L'environnement qui me correspond.
Je recherche une entreprise où l'IA est considérée comme un levier stratégique, et non comme un simple effet de mode. J'apprécie les environnements où les équipes travaillent en proximité avec les utilisateurs, où l'expérimentation est encouragée et où les défis techniques servent des problématiques métier concrètes.
Je me projette aussi bien dans une équipe R&D que produit ou innovation, dès lors que l'objectif est de construire des solutions utiles, robustes et à fort impact. Je reste ouverte sur la taille et le secteur de l'entreprise — ce qui compte, c'est l'ambition et l'envie d'apprendre ensemble.
03Compétences
Ce que j'apporte à une équipe.
Au-delà des technologies, voici ce qui compte vraiment quand on travaille avec moi.
Esprit d'analyse & rigueur scientifique
Ma formation par la recherche m'a appris à formuler des hypothèses, à expérimenter méthodiquement et à évaluer les résultats avec recul. Cette rigueur me permet d'aborder des problèmes complexes avec méthode.
Développement de solutions IA
Je conçois et développe des applications basées sur l'IA générative, le RAG, les agents, la vision par ordinateur et le machine learning, en gardant toujours l'accent sur la robustesse et l'utilité opérationnelle.
Transmission & collaboration
J'aime partager mes connaissances, vulgariser les concepts complexes et travailler en étroite collaboration avec les équipes métier et techniques. Les meilleurs projets sont le fruit d'une intelligence collective.
04Réalisations
Quelques réalisations.
Des projets représentatifs, anonymisés. Ce que je retiens de ma formation de chercheuse : on ne livre pas sans mesurer.
Assistant documentaire intelligent
- Contexte
- Des conseillers métier surchargés devaient répondre aux commerciaux sur des questions de faisabilité technique des commandes, en s'appuyant sur plusieurs centaines de documents (PDF natifs et scannés). Le client souhaitait aussi améliorer la qualité du service client et alléger les commerciaux : leur permettre de répondre rapidement et avec pertinence aux clients sur les caractéristiques techniques des produits — un catalogue de plus de 1 200 références.
- Solution
- Un système RAG multi-agents, où chaque agent se spécialise sur une tâche précise, avec reranking et des LLM hébergés en Europe — pour des réponses sourcées en langage naturel.
- Évaluation
- Évaluation comparative de stratégies de chunking, de reranking et de modèles de génération, pour optimiser le compromis entre précision factuelle et coût d'inférence — sur un jeu de questions validées avec le métier.
- Résultat
- Solution intégrée à la plateforme client et déployée en production : accès à l'information nettement accéléré, équipe technique moins surchargée, et clients informés rapidement.
Extraction d'informations sur rapports techniques
- Contexte
- Deux types de rapports denses et volumineux — observations techniques de sécurité des bâtiments et rapports de commission — étaient dépouillés manuellement pour en extraire des informations très précises (bâtiment, équipement, nature de chaque constat, etc.).
- Solution
- À une époque où les fenêtres de contexte des LLM étaient bien plus limitées qu'aujourd'hui, j'ai conçu une solution basée sur l'IA permettant une localisation précise des sections utiles dans des PDF volumineux, puis une extraction structurée via un prompt engineering adapté au métier.
- Évaluation
- Validation sur un échantillon représentatif de documents annotés manuellement par les équipes métier.
- Résultat
- Plus de 90 % des informations attendues correctement extraites ; temps de traitement manuel fortement réduit ; solution intégrée aux outils existants.
Segmentation d'instances sur plans architecturaux 2D
- Contexte
- Les équipes du client traçaient les polygones sur des plans 2D à l'aide d'un logiciel — une tâche longue et fastidieuse. Le client voulait l'automatiser avec une précision élevée : un modèle suffisamment performant pour ne laisser à l'humain que la correction des murs mal détectés. Difficulté principale : peu de données annotées disponibles.
- Solution
- Le client souhaitait fine-tuner un modèle sur ses propres données, les fine-tunings sur datasets publics n'étant pas concluants. J'ai mis en place une évaluation de la qualité de chaque lot de données, de la data augmentation pour compenser le faible volume, un benchmarking de plusieurs modèles, puis le choix d'un modèle de segmentation d'instances capable de gérer les murs inclinés. Post-traitement des polygones pour gagner en précision.
- Évaluation
- Plusieurs modèles ont été comparés (benchmark) ; la qualité a été mesurée par l'IoU, avant et après post-traitement.
- Résultat
- IoU supérieur à 80 % après post-traitement ; détection des murs automatisée (auparavant tracés à la main) et intégrée aux processus opérationnels.
Matching candidats–offres
- Contexte
- Une plateforme de recrutement immobilier voulait identifier, pour une offre donnée, les candidats les plus pertinents — sans jeu de données labellisé pour entraîner un classifieur.
- Solution
- Sans données labellisées au départ, j'ai conçu une approche de matching fondée sur la similarité sémantique et les signaux déjà disponibles, puis un classement par compétences et proximité géographique. POC développé de bout en bout (back-end IA + interface web).
- Évaluation
- Pertinence des classements validée avec les recruteurs sur des offres réelles.
- Résultat
- POC validé par le client, démontrant la faisabilité du matching malgré l'absence initiale de données. Le besoin a ensuite évolué vers une approche par classification, à mesure qu'une base de CV annotée devenait disponible.
Comparateur de fichiers Excel volumineux
- Contexte
- Un client manipulait des fichiers Excel très volumineux (jusqu'à des centaines de milliers de lignes), modifiés par de nombreux collaborateurs. Entre les versions, impossible de savoir ce qui avait changé.
- Solution
- Un pipeline qui compare deux versions d'un fichier et génère un Excel annoté mettant en évidence toutes les modifications au niveau cellule : cellule modifiée, colonne ou ligne ajoutée ou supprimée.
- Évaluation
- Vérifié sur des fichiers réels du client, jusqu'à plusieurs centaines de milliers de lignes.
- Résultat
- Solution mise en production ; les écarts entre versions sont directement exploitables par les équipes métier.
Reconnaissance de produits par l'image
- Contexte
- À partir d'une photo, identifier un produit (scie, perceuse, chignole…) et le rattacher à la bonne marque et à la bonne référence, parmi un catalogue d'environ 20 000 images produits multi-marques. La vraie difficulté : la reconnaissance fine à cette échelle.
- Solution
- Détection open-vocabulary pour localiser le produit (on décrit l'objet en langage naturel — « une scie », « une chignole »…), puis recherche par similarité visuelle pour le rattacher à la bonne référence du catalogue — marque et produit.
- Évaluation
- Taux de reconnaissance mesuré de l'ordre de 90 % sur un jeu de test représentatif.
- Résultat
- POC validé ; mise en œuvre en attente de validation budgétaire côté client.
05Ma démarche
Ma démarche de travail.
Ce que ma formation de chercheuse a ancré : on ne livre pas sans mesurer. La même rigueur, à chaque projet.
Comprendre le problème métier
Cerner le contexte et identifier les contraintes du client (techniques et budgétaires).
Définir des critères de succès
Identifier avec le métier les cas d'usage et définir un résultat attendu, mesurable.
Construire un benchmark & évaluer
Se doter d'un protocole d'évaluation et d'un jeu de test représentatif annoté, puis comparer les modèles et stratégies, mesurer et identifier les cas d'échec.
Déployer
Livrer une solution robuste, testée et intégrable aux outils existants.
Retour client & amélioration
Recueillir le feedback client, mesurer l'usage réel et améliorer la solution en continu.
06Expertise
Sept domaines, maîtrisés de bout en bout.
Pour chaque domaine : ce que je fais, et surtout ce que ça change concrètement pour vous.
IA générative
Applications LLM (propriétaires et open source), sorties structurées, adaptation de modèles.
Concrètement · automatiser la rédaction, le résumé et l'extraction sur de gros volumes de contenu.
IA agentique
Systèmes mono- et multi-agents, automatisation de workflows, intégration d'outils métier (ERP).
Concrètement · déléguer à l'IA des tâches en plusieurs étapes, de bout en bout.
RAG & recherche
Moteurs de recherche documentaire et RAG produisant des réponses sourcées et vérifiables.
Concrètement · interroger en langage naturel des milliers de documents, avec les sources.
Vision par ordinateur
Détection, segmentation, OCR et modèles vision-langage pour structurer l'information visuelle.
Concrètement · lire automatiquement plans, plaques, documents et images.
Machine & Deep Learning
Classification, régression, prévision de séries temporelles, optimisation et évaluation de modèles.
Concrètement · prédire, classer et anticiper à partir de données historiques.
Traitement documentaire
Pipelines d'extraction, structuration et enrichissement de PDF, Word, Excel, images.
Concrètement · transformer des documents bruts en données exploitables.
Développement & livraison
Services IA en APIs REST et microservices, conteneurisés, prêts à intégrer (cloud ou on-premise).
Concrètement · une solution propre, testée et branchable aux outils existants.
07Parcours
Expérience, formation & recherche.
2021 — Présent
Ingénieure IA & Consultante delivery
Leviatan
- Conception et développement de solutions IA (GenAI, RAG, agents, vision) pour l'industrie, l'immobilier et le BTP.
- Avant-ventes, chiffrages, choix d'architecture et développement backend.
- Services IA exposés en APIs REST et microservices intégrés aux plateformes clients.
- Formations et accompagnement des équipes sur LLM, RAG et agents IA.
2007 — 2021
Recherche quantitative & modélisation de données
Universités Lyon 3, Nice Sophia Antipolis & Grenoble
- Recherche en statistiques, économétrie et modélisation de séries temporelles appliquée aux données financières.
- Expertise transférée vers l'IA et prolongée par des travaux de recherche publiés.
2011 — 2015
Doctorat en Finance de marché
Université Grenoble Alpes
2020 — 2021
Certification professionnelle en Data Science
Campus Numérique des Alpes
Programme HarvardX Data Science (edX) — 6 modules, certificats vérifiés :
R BasicsPH125.1x
VisualizationPH125.2x
ProbabilityPH125.3x
Inference & ModelingPH125.4x
Linear RegressionPH125.7x
Machine LearningPH125.8x
08Contact
À l'écoute de nouvelles opportunités.
Je recherche un environnement où contribuer à des projets IA ambitieux, apprendre auprès de personnes passionnées et construire des solutions à impact concret. Si mon parcours vous parle, écrivons-nous.