Plateforme RAG sur Kubernetes Confidentiel
Service de génération augmentée par récupération, embarqué dans des micro-services pour un groupe du luxe. Recherche vectorielle, orchestration et exposition via API.
ADONE LTD
Vous pourrez changer de version à tout moment.
Data Scientist & DevOps Engineer. Du modèle à la prod : RAG/LLM, observabilité, CI/CD et passage à l’échelle.
from adone import machine_learning, mlops, devops
samuel.disponibilite()
Disponible pour des missions freelance, en remote ou sur site partout en France. TJM sur demande.
Vous recrutez ? Lire la version sans jargon
Ce site n’utilise ni template, ni WordPress, ni page builder. Du HTML, comme papy.
Data Scientist et DevOps Engineer freelance, cinq ans d’expérience à amener le machine learning du notebook à la production. Je conçois des modèles (prévision, NLP, LLM/RAG, vision par ordinateur) et je construis les pipelines, conteneurs et le monitoring qui les font tourner de façon fiable.
Mon terrain de jeu : industrialiser des modèles, intégrer des systèmes RAG/LLM, et tenir l’observabilité et le CI/CD autour. Trilingue, je travaille aussi bien en français qu’en anglais ou en allemand.
samuel.profil()
stack.groupby("domaine")
Langages & frameworks
LLM & RAG
Modélisation
LLM & RAG
Agents & orchestration
Adaptation
Code & architecture
Tests
Backend
Conteneurs & orchestration
Intégration & déploiement
Observabilité & flux
Je construis les pipelines qui alimentent le ML : ingestion temps réel, transformation, stockage et exposition, orchestrés, testés et monitorés.
pipeline.etapes()
Des données de tous horizons : APIs, bases SQL/NoSQL, logs applicatifs et flux temps réel.
Collecte fiable et mise en file des événements, sans perte, en temps réel comme en batch.
Nettoyage, jointures et calcul de features, en batch (PySpark/pandas) comme en streaming.
Le bon stockage pour chaque usage : relationnel, moteur de recherche, objet.
Mise à disposition pour le ML et les applications via API et feature store.
Un cas proche de mes missions : la fréquentation quotidienne d’une ligne de transport. Le modèle apprend le rythme de la semaine, prévoit les jours suivants avec un intervalle de confiance et signale les journées qui sortent de l’ordinaire. Les données sont simulées ; les calculs sont réels et tournent dans votre navigateur.
model = SaisonHebdo().fit(frequentation)
model.predict(horizon=14), model.anomalies(seuil=3)
Mon projet open source sci_paper_llm construit un corpus d’articles scientifiques en accès libre (OpenAlex, arXiv, PubMed Central, Crossref), puis répond à vos questions avec un LLM local servi par Ollama, en citant les passages retrouvés. La démo tourne sur le CPU gratuit d’un Space Hugging Face : les réponses arrivent lentement, mais tout est réel.
space = Space("SamDNX/sci_paper_rag")
space.launch()
parcours.sort_values("date", ascending=False)
Depuis 2024
Conception et déploiement de systèmes ML et LLM pour différents clients :
De 2021 à 2024
Trois ans dans une équipe agile dédiée à l’observabilité, chez la filiale tech de Cdiscount, avec une double casquette : je construisais les modèles et l’infrastructure qui les faisait tourner.
2021
Analyse de données et reporting sur des problématiques de suivi patient à distance.
formation.describe()
De 2019 à 2024
Ynov Informatique, Bordeaux
Cycle ingénierie informatique, spécialisé en data science et en industrialisation de modèles de machine learning.
2018
Lycée Labourdonnais, Curepipe, Île Maurice
Un pipeline de vision exécuté dans votre navigateur, sans serveur : niveaux de gris, détection de contours (Sobel) et boîtes de détection, en temps réel.
vision.pipeline(frame)
Traitement 100 % local : aucune caméra, aucun serveur.
Je travaille en Scrumban : la cadence de Scrum (sprints et cérémonies) combinée au flux continu de Kanban, le tout branché sur une CI/CD MLOps, du backlog au monitoring en production.
livraison.cycle()
Sprint planning
Le backlog est découpé en tickets estimés (Scrum) et priorisés en flux (Kanban) ; on s’engage sur l’itération.
Daily et développement
Développement en TDD, petites pull requests revues en continu, build et conteneurisation automatiques à chaque commit.
Definition of Done
Tests unitaires et d’intégration automatisés ; la suite verte fait partie du Definition of Done, rien ne passe sans elle.
Sprint review
Livraison continue sur Kubernetes, déploiements progressifs et réversibles, démontrés en revue de sprint.
Rétrospective
Observabilité complète (métriques, logs, alertes) ; les retours du terrain alimentent la rétro et le sprint suivant : la boucle recommence.
Astuce : cliquez sur un ticket pour le faire avancer dans le flux.
!make deploy ENV=prod
construction de l'image adone/samuel:2026.11 ok tests : 142 réussis, 0 échec ok déploiement progressif sur le cluster de prod ok la suite de cette page tourne en production.
Build : l’image Docker est construite, puis taguée 2026.11.
build, tests 0/12
Un aperçu interactif de ce que j’installe en production : métriques temps réel, détection d’anomalies et flux de logs, comme un tableau de bord Grafana.
grafana.dashboard("prod")
projets.en_production()
Service de génération augmentée par récupération, embarqué dans des micro-services pour un groupe du luxe. Recherche vectorielle, orchestration et exposition via API.
Détection d’anomalies et prévision sur les logs de production, restituées dans des tableaux de bord Grafana pour les équipes d’exploitation.
Restauration d’une photographie de famille par traitement d’image classique : débruitage, correction et reconstruction des zones abîmées.
Identité visuelle complète construite autour d’un symbole de réseau de neurones et d’un motif MLOps (boucle CI/CD) : logo, signature, carte de visite.
Disponible pour des missions freelance en machine learning et MLOps.