Projets
Projets personnels et de recherche couvrant l'IA générative, le NLP, l'ingénierie de données et l'architecture SaaS. Code source : GitHub
Plateforme Data & IA SaaS
Projet personnel · en production
Plateforme SaaS d'analyse de données par IA, multi-tenant et en production, conçue et développée seule de A à Z (backend, frontend, infrastructure). Pipeline RAG hybride (pgvector + recherche full-text, GraphRAG, RAPTOR, reranking cross-encoder), moteur text-to-SQL avec streaming SSE, extraction documentaire multi-format (PDF, DOCX, images via OCR/VLM) et 15+ connecteurs async (PostgreSQL, MySQL, MSSQL, MongoDB, S3, APIs SaaS OAuth2, scraping). Maîtrise des coûts LLM : routing multi-provider (litellm), caching et suivi des coûts (Langfuse). Sécurité LLM de bout en bout : isolation multi-tenant stricte, validation AST du SQL généré, sandboxing du code, RBAC, JWT RS256, SSO, 2FA, chiffrement Fernet, conformité RGPD, audit logging. Observabilité OpenTelemetry/Prometheus, orchestration Celery, prédictions AutoML, billing Stripe.
HistText
Plateforme d'Analyse de Textes à Grande Échelle
Plateforme full-stack pour l'analyse de textes historiques chinois à grande échelle (milliards de tokens). Backend Rust haute performance, API REST, interface React avec visualisations interactives (graphes réseau, chronologies), moteur de recherche full-text Apache Solr, pipeline NER multilingue, et package client R (histtext) publié sur CRAN. Déployée pour la communauté internationale de recherche en histoire numérique dans le cadre du projet ENP-China (subvention ERC Avancée).
EventExtractionPapers
Ressource communautaire Open Source
Sélection de ressources NLP dédiées à l'extraction d'événements : papiers, datasets, modèles et code. Référence largement utilisée par la communauté de recherche NLP internationale, avec 580+ étoiles GitHub. Maintenue de 2019 à 2024.
ENP-Corpus Creator
Pipeline OCR & Annotation
Suite d'outils transformant des images numérisées de journaux historiques en corpus sémantiquement enrichis. Pipeline complet : OCR via Google Cloud Vision, interface d'annotation web interactive avec raccourcis clavier, export aux formats standards (CoNLL, JSON). Conçu pour des documents multilingues complexes (chinois, anglais, français).
Dataset NER Chinois & Pipeline ML
Ingénierie de Données & ML
Le plus grand dataset NER annoté de textes chinois historiques (1872-1949), couvrant personnes, lieux et organisations dans les journaux de Shanghai. Pipeline de contrôle qualité automatisé, benchmarks reproductibles avec modèles BERT fine-tunés, et données librement disponibles pour la communauté.
Modèle de Langue & Tokenisation Chinoise
Développement de Modèles ML
Fine-tuning de modèles de segmentation pour le chinois transitionnel, en collaboration avec Academia Sinica. Atteint 83% de précision (+35% d'amélioration par rapport aux baselines), en explorant différentes stratégies d'adaptation de domaine pour une variété linguistique peu documentée.
Simulation OCR & Robustesse ML
Recherche Expérimentale
Framework d'augmentation de données simulant les artefacts OCR (substitutions, suppressions, insertions de caractères) observés dans les documents historiques numérisés. Réduit l'impact des erreurs OCR de 50% sur les tâches NER et de classification, avec un benchmark standardisé pour évaluer la robustesse des modèles.
Transfer Learning & Adaptation au Domaine Historique
Développement & Optimisation ML
Étude des stratégies de transfert d'apprentissage pour la NER sur textes historiques chinois avec données annotées limitées. Approche few-shot atteignant 93% de récupération des performances d'un modèle supervisé complet, en explorant des architectures character-aware et des techniques de fine-tuning adaptatif.