Avant
Les ingénieurs passaient d’un outil à l’autre pour croiser topologie, inventaire, services et capacité.
Disponible dès septembre 2026 France, mobilité internationale
Ingénieur IA, agents et IA générative
Je construis des outils d’IA utiles sur le terrain.
Diplômé d’ESIEE Paris, j’aime partir d’un problème concret et construire l’outil qui va avec. Mon travail combine IA générative, données métier et développement logiciel.
Questions réseau
topologie, inventaire, services et capacité
2 172
services optiques accessibles via des outils contrôlés
1 workflow
d’une demande de faisabilité au rapport vérifiable
Mon domaine
Agents IA→Outils métier
Étude de cas chez Orange Innovation
Andiamo Agent
J’ai conçu Andiamo, un assistant conversationnel pour interroger en langage naturel les données du réseau optique d’Orange. Une demande de faisabilité déclenche automatiquement l’analyse d’ingénierie complète et la génération du rapport.
Avec Andiamo
Une conversation répond aux questions courantes et lance l’étude de faisabilité complète quand elle est nécessaire.
AN
Online Andiamo
Comment utiliser l’assistant
Question en langage naturel
“Quels services utilisent cette liaison ?”
“Cette nouvelle liaison optique est-elle réalisable ?”
Andiamo identifie l’intention
01
Réponse réseau
Topologie · Inventaire · Services · Capacité
02
Étude de faisabilité
Chemin · Équipements · Signal · Rapport
Ma contribution
De l’architecture au produit démontrable.
- 01
Concevoir
Routeur conversationnel et orchestration multi-agents.
LangGraphArchitecture - 02
Connecter
Accès aux données réseau et aux outils d’ingénierie.
MCPGraphQLPostgreSQL - 03
Fiabiliser
Validation, traçabilité et sorties structurées.
ContrôlesQualité - 04
Livrer
Interface de démonstration et rapports automatiques.
UIReporting
2 172
services réseau
accessibles par les agents via des outils contrôlés
< 6 s
de latence médiane
mesurée dans l’environnement de démonstration
4 analyses
réunies dans une même étude
chemin, capacité, équipements et qualité du signal
1 rapport
prêt à être vérifié
avec la décision, les données utilisées et les résultats de simulation
Démonstrations
Voir le parcours en action.
Extraits courts d’un prototype d’ingénierie interne. Toutes les données visibles sont anonymisées.
01 / Cartographie réseau
Explorer la topologie
Visualisation interactive des liaisons, filtrage par zone et lecture de la capacité encore disponible sur chaque liaison.
À observer : la carte rend visibles les chemins possibles et la capacité disponible avant toute analyse.
02 / Assistant IA
Interroger le réseau
Une question métier en langage naturel est routée vers les agents et les sources appropriées.
À observer : la question est comprise, puis confiée aux outils et aux données adaptés.
03 / Parcours complet
Étudier une faisabilité
Choix du chemin, sélection des équipements, simulation de la qualité du signal puis génération d’un rapport de décision.
À observer : les quatre analyses sont réunies dans un rapport qui justifie la décision finale.
Architecture
Un assistant, deux parcours de réponse.
Le routeur sélectionne soit une réponse directe issue des données, soit un workflow d’ingénierie vérifié.
De la question réseau au bon niveau d’analyse
01
→ Question réseau
Topologie, inventaire, services, capacité ou faisabilité
02
→ Routeur et agents
Données réseau Outils d’ingénierie Simulation GNPy
Réponse réseau
Topologie · Inventaire · Services · Capacité
Étude de faisabilité
Chemin · Équipements · Signal · Rapport
Fiabilité dès la conception
Le modèle coordonne. Les outils d’ingénierie calculent.
Le modèle coordonne des outils approuvés ; il n’effectue pas lui-même les calculs d’ingénierie.
Accès contrôlé aux données
Les agents accèdent uniquement aux outils et aux sources de données approuvés.
Calculs déterministes
Les calculs d’ingénierie sont confiés à des outils Python spécialisés et à GNPy.
Résultats traçables
Le rapport expose le chemin, la capacité, les équipements et les simulations qui justifient la décision.
Choix techniques clés
Les principales décisions d’architecture et la difficulté qui a demandé le plus de rigueur.
Pourquoi LangGraph ? +
J’ai d’abord testé n8n, puis retenu LangGraph pour sa gestion plus modulaire de l’état des agents, son routage conditionnel et la possibilité d’ajouter une logique de validation sur mesure.
Pourquoi MCP ? +
MCP fournit une interface cohérente entre les agents et des outils hétérogènes comme les bases de données, les API et le logiciel de simulation.
Quelle a été la principale difficulté ? +
Le principal défi n’était pas de générer du texte, mais de fournir aux agents des données opérationnelles fiables et à jour, puis de garantir que chaque résultat reste techniquement vérifiable.
Rapport généré
La décision finale, accompagnée des éléments nécessaires pour la vérifier.
Le rapport rassemble le chemin retenu, la capacité disponible, les équipements nécessaires et la simulation de la qualité du signal.
À propos
Ce qui m’intéresse dans l’IA.
Je viens d’être diplômé d’ESIEE Paris en Data Science et IA. Je m’intéresse surtout aux agents IA, des assistants spécialisés qui travaillent ensemble et utilisent des outils.
Chez Orange Innovation, j’ai appris à confronter ces idées à un environnement réel : des données imparfaites, des contraintes techniques et des utilisateurs qui attendent une réponse claire.
Produit
Partir du besoin métier, pas du modèle.
Fiabilité
Mesurer, tracer et faire valider les réponses.
Systèmes
Connecter les modèles d’IA aux outils et aux données réelles.
Parcours
Expériences
J’ai travaillé sur des sujets de recherche, de produit et de relation client.
02/2026 à aujourd’hui
Stage de fin d'étude
01Orange Innovation
Ingénieur IA, automatisation et analyse des réseaux optiques
- Conception d’un assistant composé de plusieurs agents IA pour analyser et simuler un réseau optique longue distance à partir d’une question en langage naturel.
- Connexion de l’IA aux cartes du réseau, aux équipements disponibles et aux services actifs grâce à une interface de données (GraphQL), une base PostgreSQL et des outils Python.
- Validation de bout en bout, de la question utilisateur à la génération d’un rapport détaillant le chemin, la capacité, les équipements et la qualité du signal.
05/2025 à 08/2025
Stage de recherche
02Laboratoire Lisis
Automatisation de l’analyse d’entretiens par des agents IA
Voir le projet sur GitHub↗- Comparaison des biais et des comportements de cinq modèles de langage, dont LLaMA et GPT, face à des problématiques humaines et sociétales.
- Création d’un processus où plusieurs agents IA analysent automatiquement une trentaine d’entretiens selon une méthode de recherche reconnue, avec LangGraph et l’API Groq.
- Intégration de mécanismes de validation et de cohérence inter-agents pour garantir la fiabilité du codage thématique.
10/2025 à 12/2025
Projet académique · 11 semaines
03Chaire Agile Testing Capgemini × ESIEE Paris
Product Owner, développement d’un SaaS
Découvrir la Chaire Capgemini↗- Pilotage produit d’un SaaS conçu en équipe à partir du besoin d’un client, de la clarification des attentes jusqu’à la livraison.
- Définition et priorisation du backlog, rédaction des user stories et suivi de l’avancement avec l’équipe de développement dans Jira.
- Participation aux sprints et aux cérémonies Scrum, avec une mise en pratique du développement, des tests, de l’intégration continue et du DevOps.
01/2025 à 02/2026
04- Pilotage de plus de 5 missions clients de bout en bout sur des sujets tech, de l'analyse du besoin à la livraison finale.
- Gestion de budgets allant de 1 000 € à 20 000 € selon la complexité des missions.
- Rédaction des propositions commerciales et soutenances client ; coordination d'équipes d'étudiants-consultants.
Compétences
Les outils que j’utilise.
Je travaille surtout avec des agents IA, des données et des outils de développement logiciel.
Agents IA & IA générative
01Créer des assistants capables de collaborer, d’utiliser des outils et de vérifier leurs réponses.
LangGraphLangChainMCPRAGRoutage des demandesAgents avec outils
Logiciel & données
02Relier l’IA à des bases de données et à des services fiables.
PythonFastAPIGraphQLPostgreSQLRedisSQL
Apprentissage automatique
03Entraîner, comparer et mesurer des modèles avec méthode.
PyTorchTensorFlowScikit-learnXGBoostPandasEvaluation
Mise en production
04Transformer un prototype en application suivie, testée et déployable.
DockerKubernetesCI/CDGitLinuxMonitoring
En clair : un LLM est un modèle capable de comprendre et générer du texte ; le RAG lui permet de rechercher des informations fiables ; MCP lui donne un cadre standard pour utiliser des outils externes.
Sélection
Autres projets
Projet Kaggle, 04/2025 à 05/2025
Prédiction de la consommation énergétique des bâtiments
Analyse des données, création des variables les plus utiles, comparaison rigoureuse de plusieurs modèles puis optimisation des deux plus performants.
PythonXGBoostRandom ForestPandasScikit-learn
Projet académique, 11/2024 à 12/2024
Chaîne de collecte, stockage et visualisation des données
Application complète qui collecte automatiquement des données web, les stocke, accélère leur consultation, surveille leur qualité et les présente dans un tableau de bord.
PythonScrapyMongoDBRedisKibanaDash
Contact
Vous travaillez sur un projet IA ?
Parlons-en.
Je recherche un poste d’ingénieur IA ou d’ingénieur en IA générative à partir de septembre 2026. Je suis mobile en France et ouvert aux opportunités internationales.