Impact · R&D appliquée · Production ML
Des travaux menés
dans des contextes réels.
Quatre études de cas professionnelles relient recherche comportementale, évaluation de modèles, architecture ML et décision produit.
Les descriptions sont volontairement centrées sur les méthodes, décisions et apprentissages transférables. Aucune donnée client ni information confidentielle n’est exposée.01 — TRAVAUX EN ENTREPRISE
Quatre parcours complets, de l’hypothèse à la décision produit.
Segmentation comportementale prédictive : savoir quand un modèle ne se généralise pas
Une étude de cas anonymisée sur le feature engineering comportemental, XGBoost, la validation temporelle et l’échec de transfert entre environnements.
- Périmètre
- Modélisation comportementale
- Résultat
- AUC agrégée de 0,70 à 0,77 selon les comportements ; transfert inter-domaines insuffisant, conduisant à une stratégie adaptée par environnement.
Du benchmark CLIP à une plateforme multimodale en production
Une étude de cas consolidée sur la sélection de modèles, le retrieval vectoriel, le serving et l’industrialisation d’un pipeline texte-image aujourd’hui en production.
- Périmètre
- Retrieval multimodal
- Résultat
- Modèles sélectionnés par tâche, pipeline incrémental texte-image désormais en production, avec monitoring et tests de charge.
Personnaliser la recherche produit par les affinités comportementales
Une étude de cas anonymisée sur les signaux utilisateur-produit, LambdaMART, la validation temporelle et les limites de l’évaluation hors ligne.
- Périmètre
- Personnalisation du ranking
- Résultat
- Les affinités surpassent le contexte seul sur NDCG, Hit Rate et MRR hors ligne ; l’uplift online reste à mesurer.
Évaluer un modèle vision-langage face à des jugements UX humains
Une expérimentation sur 100 sites e-commerce et 600 évaluations comparant GPT-4.1 mini à un benchmark humain public sur six dimensions de perception du design.
- Périmètre
- Évaluation UX multimodale
- Résultat
- 600 évaluations sur 100 sites ; Pearson global de 0,416, avec un biais positif qui impose une calibration avant usage produit.
Collaborer
Un problème produit mérite une méthode mesurable.
Je travaille sur les signaux comportementaux, la recherche, la recommandation et les systèmes d’IA appliqués à l’expérience utilisateur.
Échanger sur un besoin ↗