LLM · RAG
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.
// Freelance · Adone LTD
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.
machine learning · mlops · devops
Disponible pour missions freelance · Remote / France · TJM sur demande
réseau · entraînement → déploiement
Profil
Entre data science et opérations.
Data Scientist et DevOps Engineer freelance, avec environ 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.
5+ ansExpérience
MScData Science & ML Eng.
AI-900 · AI-901Microsoft Certified
FR · EN · DETrilingue
Stack
Modéliser, générer, coder, déployer.
Machine Learning & Data Science
Langages & frameworks
LLM & RAG
Modélisation
IA générative
LLM & RAG
Agents & orchestration
Adaptation
Développement Python
Code & architecture
Tests
Backend
MLOps & DevOps
Conteneurs & orchestration
Intégration & déploiement
Observabilité & flux
Data Engineering
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.
Sources
Des données de tous horizons : APIs, bases SQL/NoSQL, logs applicatifs et flux temps réel.
Ingestion
Collecte fiable et mise en file des événements, sans perte, en temps réel comme en batch.
Transformation
Nettoyage, jointures et calcul de features, en batch (PySpark/pandas) comme en streaming.
Stockage
Le bon stockage pour chaque usage : relationnel, moteur de recherche, objet.
Exposition
Mise à disposition pour le ML et les applications via API et feature store.
Data Visualization
Donner du sens aux données.
Des tableaux de bord clairs et des visualisations qui transforment des chiffres bruts en décisions.
Données d'exemple · 12 mois
Parcours
Du modèle à la mise à l'échelle.
2024 — Présent
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.
2021 — 2024
Data Scientist / DevOps · Peaksys (Cdiscount)
ML orienté observabilité : détection d'anomalies sur les logs (OpenSearch), prévision de séries temporelles, industrialisation de modèles et CI/CD sur Kubernetes, Prometheus, Grafana, Thanos et Kafka.
2021
Data Analyst — Stage · Satelia
Analyse de données et reporting sur des problématiques de suivi patient à distance.
Formation
Diplômes, certifications & langues.
2019 — 2024
Master 2 — Data Science & ML Engineering
Ynov Informatique · Bordeaux
Cycle ingénierie informatique, spécialisé en data science et en industrialisation de modèles de machine learning.
2018
Baccalauréat — Littérature & Mathématiques
Lycée Labourdonnais · Curepipe, Île Maurice
Démo
Recherche sémantique & RAG.
Posez une question : la requête est vectorisée puis comparée à une base de connaissances. Les passages les plus proches remontent avec leur score de similarité — le cœur d'un système RAG. Exécuté à 100 % dans votre navigateur.
Essayez :
Démo
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.
Traitement 100 % local — aucune caméra, aucun serveur.
Méthodes
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.
Sprint planning
Plan
Le backlog est découpé en tickets estimés (Scrum) et priorisés en flux (Kanban) ; on s'engage sur l'itération.
Daily · développement
Build
Développement en TDD, petites pull requests revues en continu, build et conteneurisation automatiques à chaque commit.
Definition of Done
Test
Tests unitaires et d'intégration automatisés ; la suite verte fait partie du Definition of Done, rien ne passe sans elle.
Sprint review
Deploy
Livraison continue sur Kubernetes, déploiements progressifs et réversibles, démontrés en revue de sprint.
Rétrospective
Monitor
Observabilité complète (métriques, logs, alertes) ; les retours du terrain alimentent la rétro et le sprint suivant — la boucle recommence.
À faire
En cours
Terminé
Astuce : cliquez sur un ticket pour le faire avancer dans le flux.
Observabilité
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.
Projets
Quelques réalisations.
Observabilité · ML
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.
Computer Vision
Restauration de photo ancienne
Restauration d'une photographie de famille par traitement d'image classique : débruitage, correction et reconstruction des zones abîmées.
Identité · Design
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.
Contact
Construisons quelque chose.
Disponible pour des missions freelance en machine learning et MLOps.
- E-mail (activez JavaScript)
- Téléphone (activez JavaScript)
- linkedin.com/in/samuel-adone
- machine learning · devops · mlops