Data & calcul scientifique
Programmation, CFD, infra, machine learning.
Je conçois des outils robustes pour automatiser, analyser, déployer et accélérer les workflows.
Services
Ce que je peux apporter
Automatisation de pipelines data
Du script artisanal au pipeline production : ingestion, transformation, qualité, orchestration.
En savoir plus →
Calcul scientifique & HPC
Solveurs éléments finis, parallélisation MPI/OpenMP, optimisation de codes scientifiques.
En savoir plus →
Machine learning pour la simulation & CFD
Modèles de substitution (surrogate), réseaux sur graphes, accélération des boucles d'optimisation.
En savoir plus →
Développement Python, C++, Rust sur mesure
APIs, dashboards, outils internes, scripts métier — du prototype au logiciel industrialisé.
En savoir plus →
Portfolio
Projets
Raisonnement ingénieur, automatisation, architecture, robustesse.
Zienki — Solveur éléments finis parallèle
Solveur éléments finis HPC pour la simulation de phénomènes physiques couplés, développé en C++ avec parallélisation MPI/OpenMP.
ZienkiFlowNet — Surrogate CFD par réseau de neurones sur graphes
Réseau de neurones sur graphes (GCNN) pour remplacer des calculs CFD coûteux dans les boucles d'optimisation.
OPA — Pipeline automatisé de traitement de données
Pipeline de données complet pour le traitement automatisé de données financières, avec API REST, base de données et déploiement conteneurisé.
Vector Search — Recherche d'images par similarité
Application de recherche d'images par similarité vectorielle utilisant CLIP pour l'embedding et FAISS pour l'indexation rapide.
Expertise
Transmission & formation
J'enseigne également :
- 1Le management de la donnée
- 2La qualité des données
- 3La programmation Python
Cette activité me permet de garder une approche pédagogique et pragmatique des problématiques techniques.
Blog
Articles techniques
Transolver vs MeshGraphNet pour ZienkiFlowNet — étude comparative d'une architecture attention-based
Remplacer le MeshGraphNet de ZienkiFlowNet par un Transolver à double branche : 2× moins de paramètres, meilleur sur la pression et le débit, moins bon sur la vitesse — analyse complète.
ZienkiFlowNet — Un réseau de neurones sur graphes pour la simulation d'écoulements 2D
Construire un modèle de substitution rapide pour la CFD : architecture GNN double-branche, biais physiques et entraînement sur 85 cas seulement.
Optimiser des traitements scientifiques en Python
Vectorisation NumPy, multiprocessing et bonnes pratiques pour accélérer vos pipelines de calcul scientifique.
Contact
Discutons de votre problématique
Vous avez un besoin en automatisation, traitement de données ou développement technique ?