Description

🎓Charlie c'est ...

Un Ingénieur Machine Learning & Computer Vision spécialisé dans l'IA générative (vision et texte) et la Computer Vision.
Un diplômé de l’EPITA (spécialisé IA & Computer Vision) - top 3 des écoles d'informatique
Qui a cofondé sa boîte dans la mode et l'IA (spécifiquement la GenAI)
Et qui accompagne les entreprises dans la conception, la mise en production et l’évolution de modèles IA robustes.

✨ Construction de votre pipeline IA, Machine Learning, de l’idée à la production

Besoin d’un système de recommandation avancé (image/texte), de classification d’images, de détection/reconnaissance d’objets, de génération de texte ou d'image ?

En tant que Machine Learning Engineer, je conçois, j’entraîne et je déploie des pipelines mesurables, scalables et prêts pour la production.

Avec moi vous obtiendrez : un service prêt à l’emploi (API/serving), des métriques claires, la documentation d’exploitation et un transfert pour votre équipe.

⚙️ Les 7 étapes de ma méthode Expert Machine Learning

1) Cadrage & choix de la bonne approche

2) Données : rassembler (scrapping, dataset existant), analyser, nettoyer, préparer

3) Entraînement & validation

4) Mise en ligne production fiable des modèles.

5) Intégration des modèles dans le produit

6) Surveillance & amélioration continue

7) Documentation & transfert

✅ Travaillez avec moi, c'est s'appuyer sur :

un accompagnement complet : de la donnée brute au modèle en production, je gère l’ensemble de la chaîne
des résultats concrets : par des méthodes rigoureuses approuvées par la recherche
un suivi expliqué : je vous aide à comprendre chaque étape pour un controle total sur les forces et les faiblesses de votre projet.
une garantie de maintenance sur le projet.

✉️ Envoyez-moi votre projet et je vous propose un mini plan d’attaque pour atteindre vos objectifs !

Industry field of expertise

Languages

French
Native or bilingual
English
Fluent

Workplace preferences

Remote only

Primarily works remotely

Yield Studio
Machine Learning Engineer
SOFTWARE PUBLISHING
October 2025 - November 2025 (1 month)
Paris, France
Développement d'un système de détection d'avions sur panneaux publicitaires par IA
Exploration méthodique de 4 approches de computer vision classique (HSV, template matching ORB, détection de contours) pour établir une baseline à 65-70% d'accuracy.
Construction d'un pipeline complet d'entraînement PyTorch avec data augmentation (rotation, scale, brightness) et transfer learning sur MobileNetV2.
Fine-tuning en 2 phases : freezing des couches pré-entraînées puis entraînement complet avec learning rate adaptatif.
Optimisation et déploiement du modèle (PyTorch → ONNX) pour exécution WebAssembly dans le navigateur, taille finale 8.47 MB, latence 50-100ms.
Développement d'une application web complète (JavaScript, HTML) avec interface de test batch et métriques en temps réel (confusion matrix, precision, recall, F1-score).
Amélioration des performances de +20% par rapport à la baseline classique : accuracy 72.4%, precision 100%, recall 63.6%.
Documentation technique exhaustive et recommandations pour scale-up vers production (objectif 90%+ accuracy).
Computer Vision Python Pytorch Machine learning OpenCV
WearIT
Co-Founder & Ingénieur Machine Learning
FASHION AND COSMETICS
January 2024 - Today (2 years and 5 months)
- Réalisation d’un POC frontend et backend de la solution (React, NestJS, MongoDB, AWS EC2).
- R&D sur Virtual Try On 3D sur le modele OCCNet (PyTorch).
- Construction d’un dataset de 3 M d’images (paires mannequins-vêtements) via web scraping (JS, MongoDB, AWS S3).
- Automatisation de la labellisation (classification type, texture, couleur, morphologie) par modèles PyTorch.
- Entraînement multi-GPU multi-noeud (32×A100) pour la création de deux models de diffusion IA propriétaires (PyTorch) : SSIM 0.8170, PSNR 15.57, FID 4.88.
- Mise en production des modèles avec ONNX/TensorRT sur AWS EC2.
- Développement d’une application
Pytorch Python IA générative Deep Learning Machine learning
Lumyosa
Data Scientist & Software Engineer
September 2022 - February 2023 (5 months)
- Conception d’un modèle de classification du genre vocal (MFCC + boosting tree, Scikit-Learn), F1 score : 98 %.
- Étude d’état de l’art sur l’analyse sentimentale vocale et textuelle.
- Développement d’un CNN de classification d’émotions (TensorFlow), F1 score : 60 % (data drift)
- Création d’une plateforme d’analyse de feedback client (Angular, PHP) intégrant les modèles IA pour l’analyse de sentiments.
TensorFlow Deep Learning Data science Machine learning Python