Pilotage d’une plateforme no-code multi-agents pour les workflows clients, de l’architecture API et du frontend au déploiement GCP.
Les agences publicitaires avaient besoin d’un système d’automatisation agentique ad/ops. Mon travail reliait workflows no-code, orchestration LLM, interfaces produit et infrastructure déployable.
AI Research Engineer / Lead AI Engineer, 2024–aujourd’hui. Pilotage de l’architecture, du développement et du déploiement, avec coordination d’une équipe technique de deux personnes.
La plateforme relie workflows clients no-code, API, frontend, orchestration multi-agents et sorties LLM structurées. J’ai conçu et déployé la plateforme sur GCP avec Cloud Run, Docker, GitHub Actions, Artifact Registry et Secret Manager. Cette description reste générale : topologie client et implémentation sont privées.
Le client souhaitait un déploiement chez lui ; la direction était préoccupée par la distribution du source. La compilation répondait au format de livraison. Elle ne garantit ni protection de la propriété intellectuelle ni impossibilité de rétro-ingénierie.Alternative écartée: Distribuer le code source comme paquet de déploiement.
Expérience professionnelle documentée dans ma base de preuves CV. Aucun jeu de benchmark ni protocole de référence public n’accompagne la réduction de latence rapportée. Cette étude décrit ma contribution ; ce n’est ni une démo publique ni un audit indépendant de production.
Orchestration multi-agents, Sorties structurées, LLM locaux
GCP Cloud Run, Docker, GitHub Actions, Artifact Registry, Secret Manager
Assistant d’achat textile : LoRA Llama 3.1 8B, inférence locale vLLM et validation métier Pydantic. J’ai évalué les outils de décodage contraint et intégré LM Format Enforcer pour respecter les valeurs des énumérations. L’évaluation interne distingue 97 % de requêtes structurellement valides et conformes aux énumérations de 95 % d’exactitude sémantique par attribut.
Il s’agit de résultats internes, pas d’un benchmark public. Ma contribution porte sur l’évaluation et l’intégration d’outils, pas sur un sampler personnalisé.
Chez MCQ Scan, j’ai conçu un projet de gouvernance des agents : jetons Biscuit signés, délégations restreintes et vérifications locales Datalog des permissions. J’ai réalisé un démonstrateur Python/FastAPI et préparé la proposition technique, l’analyse de marché, le budget et le plan. AgentDiet a obtenu en 2026 une subvention Hyper Open X financée par France 2030.
Le démonstrateur valide des autorisations simulées ; l’intégration MCP/A2A reste la cible du projet.
Réduction de 60 % du temps de traitement de bout en bout par graphe de dépendances parallélisable, routage vers des modèles plus petits et cache (mesures internes).
Observabilité sur mesure : tokens, latence, coûts et appels d’outils par étape, avec alertes de disponibilité. Le travail de génération d’images couvre Qwen-Image-Edit-2509, ControlNet, le déploiement GPU sur Vast.ai et l’accès par reverse proxy.