Des compétences reliées aux projets.
Du design et du développement mobile first à l’ingénierie IA : découvre les compétences que je mobilise, avec les projets qui les étayent.
Ma boîte à outils technique
Les outils que je mobilise dans mes produits, le développement assisté par IA et mes projets de formation.
- Langages
- TypeScript
- Python
- SQL
- IA / ML
OpenAI- Anthropic
- Mistral AI
- LangChain
- scikit-learn
- MLflow
- Ingénierie des données
- Airflow
- PostgreSQL
- Back-end & infra
- FastAPI
- NestJS
- Docker
- Neon
- Supabase
- Railway
- Front-end & mobile
- React
- Next.js
- Expo
- Astro
- Suivi & qualité
- PostHog
- Sentry
- Développement assisté par IA
- Codex
Claude Code
Front-end, design et usages mobiles
Une pratique développée dans mes produits et mes missions, en complément de mon parcours d’ingénierie IA.
Unifête · Aperçu web ↗Design d’interface
Passer du besoin à un parcours lisible : architecture des écrans, hiérarchie visuelle et cohérence des interactions.
Design produit · UI · responsive
Le Grenier du Motard · Aperçu web ↗Front-end mobile first
Concevoir d’abord sur petit écran : contenu prioritaire, lisibilité, navigation tactile et formulaires. Adapter ensuite les compositions aux écrans plus larges.
React · Next.js · TypeScript · accessibilité
MotQuête · Aperçu web ↗Applications mobiles
Développer des parcours iOS et Android avec React Native et Expo, en gardant la cohérence entre le produit web et les applications.
React Native · Expo · iOS · AndroidIngénierie IA : le graphe interactif
Sélectionne un domaine pour explorer les compétences et les projets OpenClassrooms associés.
La carte du parcours
Des acquis qui se croisent dans la pratique.
Un trait relie deux domaines présents dans un même projet. Il ne représente pas un niveau de maîtrise.
Sélectionne un nœud ou parcours les études de cas ci-dessous.
Les compétences mobilisées
Cadrage & produit
- Identifier et formaliser un besoin
- Étudier la faisabilité technique
- Prioriser des user stories
- Planifier ressources, budget et sprints
- Analyser risques, éthique et RGPD
La performance commerciale et la conduite d’une équipe réelle ne sont pas mesurées par ces projets.
Les compétences mobilisées
Données & pipelines
- Explorer et nettoyer des données
- Encoder et transformer les variables
- Construire des features métier
- Collecter via API et scraping
- Orchestrer un ETL avec Airflow
- Normaliser, valider et conserver la provenance
- Préparer un corpus FR/EN et des splits
La volumétrie réelle ingérée et l’exploitation durable doivent rester rattachées à un run et à un environnement.
Les compétences mobilisées
ML supervisé
- Comparer des modèles de régression
- Comparer des classifieurs
- Utiliser validation croisée et GridSearchCV
- Interpréter précision, rappel et F-score
- Choisir un seuil selon un coût métier
- Expliquer les prédictions avec SHAP
Séparer systématiquement apprentissage, sélection et test final indépendant.
Les compétences mobilisées
Vision & semi-supervisé
- Exploiter un modèle de segmentation préentraîné
- Décoder les masques et calculer l’IoU
- Extraire des embeddings et transférer un backbone
- Comparer clustering et propagation de labels
- Appliquer le self-training
- Prétraiter des IRM
- Explorer la reconnaissance de positions en vidéo
Les résultats IRM restent exploratoires ; la vision vidéo d’échecs reste un démonstrateur.
Les compétences mobilisées
Apprentissage par renforcement
- Modéliser états, actions et récompense
- Entraîner et comparer PPO/DQN
- Ajuster les hyperparamètres RL
- Évaluer une politique en simulation
Le résultat LunarLander ne prouve pas une robustesse hors simulation ou sur plusieurs entraînements indépendants.
Les compétences mobilisées
RAG, agents & LLM
- Indexer et rechercher par embeddings
- Construire un RAG avec routage
- Évaluer les réponses d’un RAG
- Orchestrer des outils avec LangGraph
- Adapter un LLM par SFT/LoRA
- Comparer une étape DPO
- Analyser sorties, hallucinations et contrat JSON
- Concevoir une extension MCP
MCP reste une cible ; ni la fidélité générale du RAG ni la fiabilité clinique du LLM ne sont démontrées.
Les compétences mobilisées
API & applications
- Consommer une API d’inférence
- Exposer un modèle via FastAPI
- Définir des contrats et schémas de données
- Modéliser et utiliser SQL/SQLAlchemy
- Intégrer SQL, MongoDB et Milvus
- Construire des interfaces de démonstration
- Prévoir des replis de services
Une interface utilisable ne démontre pas l’authentification, la sécurité des accès ou une adoption utilisateur.
Les compétences mobilisées
MLOps & exploitation
- Tracer les expériences avec MLflow
- Conteneuriser et décrire les environnements
- Automatiser tests et déploiement CI/CD
- Journaliser et surveiller le data drift
- Mesurer une optimisation d’inférence ONNX
- Versionner code et artefacts
Registry MLflow, cohérence modèle/seuil et preuve d’exploitation actuelle restent à préciser.
Les compétences mobilisées
Communication & recul
- Présenter simplement une architecture
- Justifier le choix d’un modèle
- Documenter un projet technique
- Expliquer aux interlocuteurs métier
- Déclarer les limites et résultats négatifs
Le degré d’autonomie personnel et les langues doivent être autoévalués, sans score déduit du nombre de dépôts.
Les relations proviennent des mêmes preuves que la matrice des 55 compétences. Aucun pourcentage de maîtrise n’est déduit.
Les études de cas
Construire mon parcours IA
Définir mon objectif professionnel et organiser les étapes de ma formation.
Segmenter des vêtements
Exploiter un modèle préentraîné et interpréter ses masques de segmentation.
Prévoir la consommation des bâtiments
Comparer des approches de régression à partir des données de bâtiments.
Comprendre l’attrition
Comparer des classifieurs et expliquer leurs prédictions dans un contexte d’attrition.
Servir un modèle par API
Relier prédiction, stockage et contrats de données dans une API.
Tracer les expériences de scoring
Documenter les expériences et choisir un modèle de scoring en tenant compte du coût métier.
Retrouver des événements avec un RAG
Relier une demande en langage naturel à un corpus d’événements, puis évaluer les réponses.
Déployer et suivre le scoring
Faire passer la solution de scoring du notebook à une application suivie et testée.
Cadrer un projet IA
Transformer une intention métier en périmètre, ressources et décisions de projet.
Apprendre avec peu de labels
Explorer la classification d’IRM en mobilisant embeddings et semi-supervision.
Entraîner un agent LunarLander
Comparer PPO et DQN dans une simulation, avec une évaluation sur plusieurs épisodes.
Construire un pipeline multimodal
Collecter et normaliser des sources hétérogènes dans un pipeline orchestré.
Orchestrer un assistant d’échecs
Relier Lichess, Stockfish, recherche documentaire et vidéos dans un graphe de traitement.
Adapter un LLM médical
Comparer SFT et DPO, puis analyser les limites d’un modèle sur une tâche médicale pédagogique.