Je conçois des modèles de ML, et je les mets en production.

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.

Entre data science et opérations.

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()

5+ ansExpérience
MScData Science & ML Eng.
AI-900, AI-901Microsoft Certified
FR, EN, DETrilingue

Modéliser, générer, coder, déployer.

stack.groupby("domaine")

Machine Learning & Data Science

Langages & frameworks

  • Python
  • PyTorch
  • TensorFlow
  • scikit-learn

LLM & RAG

  • Mistral
  • LLaMA 2
  • BERT
  • Pinecone

Modélisation

  • Prévision séries temp.
  • Régression
  • Clustering
  • OpenCV

IA générative

LLM & RAG

  • RAG
  • Embeddings
  • Recherche vectorielle
  • Pinecone

Agents & orchestration

  • LangChain
  • Agents
  • Function calling

Adaptation

  • Prompt engineering
  • Fine-tuning
  • Évaluation

Développement Python

Code & architecture

  • Clean code
  • Clean architecture
  • SOLID
  • Type hints

Tests

  • pytest
  • TDD
  • Couverture
  • Mock

Backend

  • FastAPI
  • Flask
  • API REST
  • Pydantic
  • async

MLOps & DevOps

Conteneurs & orchestration

  • Kubernetes
  • Docker

Intégration & déploiement

  • CI/CD
  • Azure DevOps/TFS
  • pytest

Observabilité & flux

  • Prometheus
  • Grafana
  • Thanos
  • Kafka
  • Flask API

Des données fiables, à l’échelle.

Je construis les pipelines qui alimentent le ML : ingestion temps réel, transformation, stockage et exposition, orchestrés, testés et monitorés.

pipeline.etapes()

Sources

Des données de tous horizons : APIs, bases SQL/NoSQL, logs applicatifs et flux temps réel.

  • REST
  • SQL
  • Logs
  • Streams

Prévoir la demande, repérer l’anomalie.

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)

Horizon

Voir les valeurs prévues et les anomalies

Un RAG sur la littérature scientifique.

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()

Du modèle à la mise à l’échelle.

parcours.sort_values("date", ascending=False)

Depuis 2024

Data Scientist & MLOps, Adone LTD (Freelance)

Conception et déploiement de systèmes ML et LLM pour différents clients :

  • Groupe du luxe : service RAG/LLM intégré à des micro-services Kubernetes.
  • Groupe de presse régional : analyse de données d’audience et NLP sur les contenus éditoriaux.
  • Réseau de transport métropolitain : prévision de la demande et détection d’anomalies sur les flux temps réel.

De 2021 à 2024

Data Scientist / DevOps, Peaksys (Cdiscount)

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.

  • Prévision de séries temporelles : pour les ventes, les visites du site et le capacity planning des serveurs, avec Prophet, ARIMA, TensorFlow et PyTorch.
  • Logs et anomalies : clustering des logs de production (OpenSearch) pour faire ressortir les comportements anormaux avant qu’ils ne deviennent des incidents.
  • Segmentation clients : clustering pour identifier des segments de clients et personnaliser les campagnes marketing.
  • Mise en production : API REST en Python (Flask, Gunicorn), images Docker, déploiement et exploitation sur Kubernetes : namespaces, quotas, pods, contextes, et support GPU pour l’entraînement.
  • Observabilité : métriques Prometheus (PromQL) et Thanos, administration de Grafana et conception des interfaces utilisées par les équipes.
  • Industrialisation : pipelines CI/CD sur Azure DevOps (TFS), environnements conda, bases SQL et MongoDB, le tout en équipe agile.
  • Python
  • TensorFlow
  • PyTorch
  • Prophet
  • ARIMA
  • Flask
  • Gunicorn
  • Docker
  • Kubernetes
  • GPU
  • Prometheus
  • PromQL
  • Thanos
  • Grafana
  • OpenSearch
  • Kafka
  • Azure DevOps
  • conda
  • SQL
  • MongoDB

2021

Data Analyst (stage), Satelia

Analyse de données et reporting sur des problématiques de suivi patient à distance.

Diplômes, certifications & langues.

formation.describe()

De 2019 à 2024

Master 2 en Data Science & ML Engineering

Ynov Informatique, Bordeaux

Cycle ingénierie informatique, spécialisé en data science et en industrialisation de modèles de machine learning.

2018

Baccalauréat littéraire, option mathématiques

Lycée Labourdonnais, Curepipe, Île Maurice

Vision par ordinateur, en direct.

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.

Agile de bout en bout.

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

Plan

Le backlog est découpé en tickets estimés (Scrum) et priorisés en flux (Kanban) ; on s’engage sur l’itération.

  • Azure Boards
  • Jira
  • User stories

À faire

En cours

Terminé

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.
  1. build
  2. tests
  3. canary
  4. prod
  5. monitoring

Build : l’image Docker est construite, puis taguée 2026.11.

ou cliquez une goupille

build, tests 0/12

Le monitoring, en direct.

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")

adone-ltd / prod

Ce qui tourne en production.

projets.en_production()

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.

  • LLM
  • RAG
  • Pinecone
  • Kubernetes
  • Flask

Détection d’anomalies en production

Détection d’anomalies et prévision sur les logs de production, restituées dans des tableaux de bord Grafana pour les équipes d’exploitation.

  • OpenSearch
  • Prometheus
  • Grafana
  • Kafka

Restauration de photo ancienne

Restauration d’une photographie de famille par traitement d’image classique : débruitage, correction et reconstruction des zones abîmées.

  • OpenCV
  • Python
  • Image processing

Système de marque Adone LTD

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.

  • SVG
  • Design
  • Branding

Parlons de votre projet.

Disponible pour des missions freelance en machine learning et MLOps.