Parcours

Q: Qu'est-ce que l'IA sous contrainte physique ?

L'IA sous contrainte physique est une approche où les lois de la physique (thermodynamique, neutronique, cinétique chimique) sont encodées comme des contraintes de premier rang dans l'architecture de l'algorithme — et non comme de simples post-traitements. L'IA ne peut pas proposer de résultat qui viole les lois physiques du domaine. Chez Qognito.io, cela se traduit par un Knowledge Graph métier qui encode l'ontologie physique de l'installation et contraint tout raisonnement IA en aval.

Q: Pourquoi les LLM hallucinent-ils dans l'industrie critique ?

Les LLM généralistes sont des modèles probabilistes entraînés sur du langage. Ils ne connaissent pas les lois physiques d'une installation spécifique : ils ne savent pas quel capteur correspond à quel paramètre, quelle règle de cohérence s'applique, ni quelles corrélations physiques sont pertinentes. Sans contrainte métier, ils produisent des réponses plausibles linguistiquement mais fausses physiquement. La solution : contraindre le LLM par un graphe de connaissances qui encode la physique du domaine, de sorte que l'IA n'ait accès qu'aux faits validés.

Q: Qu'est-ce que le Filtre CAP ?

Le Filtre CAP est une méthodologie de qualification de projets Data & IA développée par Qognito.io. Chaque projet doit satisfaire trois critères avant engagement : Contraint (le problème est borné par une loi physique), Aride (le sujet est techniquement négligé et pas encore commoditisé), Prouvable (un prototype fonctionnel est livrable en moins de 3 mois). Si le projet ne passe pas les trois critères, il n'est pas pris.

Q: Qu'est-ce qu'un Knowledge Graph métier pour l'industrie ?

Un Knowledge Graph métier est un graphe de connaissances qui modélise l'ontologie d'une installation industrielle : équipements, capteurs, paramètres physiques, règles de cohérence, corrélations quantifiées entre variables. Chez Qognito.io, ce graphe est implémenté sur Neo4j et sert de socle de vérité qui contraint tout raisonnement IA. Par exemple, pour le nucléaire : 11 réacteurs, 10 paramètres physiques, 9+ capteurs par réacteur, 5 règles physiques, 5 corrélations quantifiées, avec des requêtes en moins de 100 ms.

Q: Comment valider physiquement des données de capteurs nucléaires ?

La validation physique des données capteurs nucléaires passe par un pipeline ETL structuré en couches (Bronze, Silver, Gold). Chaque transformation est contrainte par la physique du réacteur : bornage des valeurs selon les limites physiques connues, détection d'impossibilités neutroniques, vérification de cohérence chimique, recalage du boremètre par assimilation de données chimistes. L'imputation respecte la dynamique propre de chaque variable : inertie thermique pour les températures, cinétique lente pour le bore, mouvement discret par crans pour les grappes de contrôle. Chez Qognito.io, cette approche a résolu automatiquement 96,4 % des incohérences physiques sur 11 réacteurs du parc français.

Q: Quelle est la différence entre un prototype fonctionnel et un démonstrateur ?

Un démonstrateur prouve un concept mais n'est généralement pas conçu pour être intégré en production. Un prototype fonctionnel selon l'approche Qognito.io est conçu avec une exigence de production dès le départ : tests unitaires (270+), validation physique systématique, architecture pérenne et documentée. L'objectif est que l'équipe de delivery qui l'intègre dans le produit final parte d'une base solide — pas d'un démonstrateur jetable. C'est une preuve de valeur mesurable livrée en moins de 3 mois.

Q: Qu'est-ce qu'un Physics-Informed VAE (PI-VAE) ?

Un Physics-Informed Variational Auto-Encoder (PI-VAE) est un modèle génératif qui produit des données synthétiques en respectant les contraintes physiques du domaine. Contrairement à un VAE classique évalué sur l'erreur de reconstruction, un PI-VAE est évalué sur la conservation des corrélations physiques dans les données générées. L'architecture combine un encodeur GRU (pour capturer les dépendances temporelles longues et courtes), un échantillonnage MCMC dans l'espace latent (pour la continuité physique), et une validation physique de la génération. L'application visée : générer des données nucléaires synthétiques pour l'entraînement de modèles ML sans accès aux données réelles sensibles.

Q: Pour quelles industries l'IA sous contrainte physique est-elle pertinente ?

L'IA sous contrainte physique est pertinente pour tout secteur où l'erreur algorithmique a un coût physique réel : le nucléaire (surveillance de réacteurs, données de capteurs), l'énergie (réseaux électriques, optimisation de production), la chimie (procédés, cinétique de réaction), l'aéronautique (systèmes embarqués critiques), et plus largement toute industrie dont les données capteur doivent respecter des lois physiques avant d'alimenter un modèle prédictif ou un outil d'aide à la décision.

Plus de 25 ans d'expérience à l'intersection de l'ingénierie, de la Data Science et de l'Intelligence Artificielle. Un parcours construit dans les environnements les plus contraints — télécoms, finance, institutions internationales, nucléaire.

Expérience professionnelle

Fondateur & Consultant IA

Qognito.io · juillet 2025 – présent · Puteaux (92)

Conseil indépendant en Data & IA, spécialisé dans le cadrage et le prototypage sous contrainte physique et réglementaire pour les systèmes critiques.

Mission principale — Appui Technique IA : Équipe multi-disciplinaire de cadrage produit · un acteur majeur de la filière nucléaire française

Identification et priorisation des opportunités IA sur 4 domaines métier simultanément (25+ opportunités évaluées)
Études de faisabilité formelles : architecture, gouvernance des données, conformité (Export Control, EU AI Act, sûreté nucléaire)
Design d'architectures IA spécialisées : Knowledge Graphs, modèles physiques (PINN, Filtre de Kalman), e-monitoring multi-échelles, agents LLM
Prototypage (POC) et passation vers les équipes delivery (blueprints phasés POC → MVP → Pilote)
Acculturation des équipes produit à l'IA : formation, transition paradigmatique déterministe → probabiliste

Stack : Mistral / LLM locaux, Neo4j, Dataiku DSS, Kafka, Apache Spark, Azure OpenAI

CTO Agence Paris

Ippon Technologies · juin 2024 – juin 2025 · Paris

Direction technique de l'agence parisienne d'une ESN spécialisée Data & IA.

Pilotage de la stratégie commerciale et technique de l'agence
Encadrement de managers seniors et de leurs équipes techniques
Définition de la vision et des OKR trimestriels de la Practice IA
Recrutement, intégration et fidélisation des talents

Practice Lead France — Intelligence Artificielle

Avanade (JV Accenture × Microsoft) · mars 2019 – mai 2024 (5 ans) · Paris

Structuration et pilotage de la Practice IA France, de 4 à 32 consultants.

Projets IA pour un acteur majeur de l'énergie : NLP (LegalBERT), veille de risques (Knowledge Graph Neo4j), Knowledge Mining
Projet GenAI pour la Cour Pénale Internationale : RAG pour détection d'incohérences factuelles
Développement d'accélérateurs : MLOps Accelerator, Prompt Injection Tests, Swarm Portfolio Optimizer
Formations prompt engineering et IA pour des grands comptes (énergie, assurance)

Stack : Microsoft Azure, Azure Databricks, Azure OpenAI, Neo4j, LegalBERT, Doccano

Senior Data Scientist

Capgemini (Service Insights & Data) · septembre 2016 – février 2019 · Suresnes (92)

Conception et déploiement de solutions IA pour la détection de fraude et l'innovation industrielle.

CNAF : détection de connexions suspectes (graphe Neo4j), prédiction de l'indu (réseaux bayésiens, clustering Spark)
Douanes françaises : détection d'anomalies sur les déclarations de marchandises, benchmark de recherche approchante
Projets CIR (Lead Data Scientist) : détection d'anomalies aéronautique, optimisation de portefeuille par Swarm Intelligence (MOPSO), maintenance prédictive industrielle
Contribution aux objectifs Crédit d'Impôt Recherche — atteints deux années consécutives

Stack : R / sparklyr / Shiny, H2O, Spark, Hadoop, Neo4j

Data Scientist & Consultant Big Data

Musicovery · avril 2014 – août 2016 · Paris

Mission freelance pour un service de streaming musical — machine learning appliqué à la recommandation musicale.

Segmentation comportementale des utilisateurs (clustering, variables de découverte musicale)
Knowledge Graph Neo4j + API Java : solution haute performance pour la recommandation en temps réel
Formalisation d'un test A/B (approches fréquentiste et bayésienne)

Stack : AWS EC2, Hadoop, Spark, R, Shiny, Neo4j

Ingénieur Télécommunications

Nokia · Nortel · Anite · NET2S · Steria · octobre 1998 – septembre 2013 (15 ans) · Région parisienne & Toulouse

Quinze ans d'ingénierie réseau dans les environnements les plus exigeants d'Europe — avant la data, la physique des signaux.

Nokia (2008–2013) — Senior Network Architect : design du testbed ayant remporté l'appel d'offre Free Mobile ; avant-vente grands comptes en Europe
Nortel (2004–2008) — Ingénieur VoIP & GSM-R : introduction de la technologie GSM-Railways en France ; spécifications techniques commutateur et base d'abonnés
Anite / Delta Partners (2001–2003) — Avant-vente : progiciel de planification réseaux, succès chez British Telecom et Alcatel
NET2S / Steria (1998–2001) — Formateur certifié GSM/2G (français, anglais, espagnol) ; intégration de plateformes de gestion de performance réseau

Formation

Année	Diplôme
2004	DEA Traitement des Images et du Signal — ENSEA, Cergy · réseaux de neurones, réseaux bayésiens, théorie de l'information
2014	Parcours certifiant Data Science & Big Data — CNAM Paris + certifications Cloudera (Hadoop Developer & Admin) + MOOCs Coursera
1998	DESS Nouvelles Technologies et Aide à la décision — Université de la Méditerranée, Marseille
1997	Maîtrise Systèmes de Télécommunications et Réseaux Informatiques — Université Toulouse III

Langues

Trilingue — Français (courant) · Anglais (courant) · Espagnol (langue maternelle)

CV complet disponible sur demande — [email protected]