V1 — Lab public. SignalLab : métriques brutes, pas encore de score.
Paris · Senior Data Analyst
Je construis un laboratoire public pour les systèmes intelligents — de la data aux agents, vers le physical AI.
Depuis 2014, je travaille comme Data Analyst, Data Scientist puis Senior Data Analyst : banque, retail, études, secteur public. La chaîne est toujours la même — comprendre le besoin, préparer les données, analyser, restituer — avec du machine learning quand il y a un cas.
Aujourd’hui je suis Senior Data Analyst chez AdvanThink, sur des projets pour des organisations publiques, dont les ministères de l’Intérieur et du Travail. Avant cela, quatre ans et demi chez Ipsos, où j’ai encadré 2–3 personnes (juniors / alternants). Depuis 2021, j’accompagne des étudiants sur des parcours data chez OpenClassrooms, en parallèle des postes.
Ce Lab est l’endroit où la suite devient publique : copilotes, RAG, veille mesurable, et une direction Physical AI vue depuis la data.
Me trouver
Professional
janv. 2023 — aujourd’hui
AdvanThink (ISoft)
Projets data pour des organisations publiques, dont les ministères de l’Intérieur et du Travail. ETL, analyse, ML selon les cas, dashboards.
Python · SQL · Power BI · Superset · DigDash
Professional
mars 2021 — aujourd’hui
OpenClassrooms
Accompagnement d’étudiants sur des parcours data, en parallèle des postes.
Python · R · Tableau
Professional
mai 2018 — nov. 2022
Ipsos
Préparation, analyses statistiques, data viz. Encadrement de 2–3 personnes, dont juniors et alternants.
Python · R · SAS · Tableau · Power BI
Un système bilingue pour observer, apprendre, expérimenter et construire. SignalLab alimente déjà Observe avec des métriques brutes. Decision Copilot et Knowledge Copilot sont les premiers systèmes agentiques publics. La suite s’écrit ici.
2021
Projets publics de data engineering — data lake Spark/S3, warehouse Redshift. Début du mentorat OpenClassrooms.
2022
Formation
Alyra — Ethereum et Solidity.
2025
Analytics on-chain : dashboard CSV, détection d’anomalies, MLflow.
2026
Copilotes agentiques, RAG grounded, et ce Lab.
Un agent d’analyse tabulaire — profilage, investigation, prédiction explicable, scénarios — plutôt qu’un chat sur CSV.
Un agent unique de triage — classification fermée, extraction, score, revue humaine. Aucune action externe irréversible.
Assistant documentaire grounded — retrieval avant génération, extraits visibles, signaux de confiance. Pas un chatbot générique.
Dashboard on-chain à partir d’exports CSV (Dune ou autre) — KPIs, séries, cohortes. La blockchain comme terrain de data, pas comme identité du Lab.
UCI digits 8×8, split gelé, accuracy test : majority 10,03 % vs centroïde 92,48 %. Pas un VLM.
Lab d’entrée : carte VLM / VLA / ROS2 / simulation. Le premier run pixels est le lab digits 8×8.
v2, mêmes 20 cas : classification 100 %, fausse autonomie 15 % (contre 60 % en v1).
Run A/B/C versionné : 8 lignes, outil, claims extraits. Erreur B = 0. C = A sur la trace figée.