Développement Python sur mesure
Outils métier, moteurs de traitement, applications internes, API. Du code testé et documenté, pensé pour être repris par une équipe après mon départ.
Développement Python · Données industrielles · IA en production
Six ans en environnement industriel chez Airbus, Safran et EDF, dans l'aéronautique et l'éolien : développement Python, calcul scientifique, données de production, agents IA. Je prends les projets de bout en bout, du cadrage avec les équipes métier jusqu'à la mise en production et la documentation. Une constante depuis 2020 : les chaînes de traitement lourdes que je construis reprennent là où elles se sont arrêtées.
Outils métier, moteurs de traitement, applications internes, API. Du code testé et documenté, pensé pour être repris par une équipe après mon départ.
Reprise et transformation de données entre systèmes hétérogènes, pipelines multi-sources, séries temporelles, flux industriels. Puis le passage du poste de travail à la production : architecture, parallélisme, reprise sur incident, tests, documentation, déploiement.
Vos utilisateurs formulent leur demande en langage naturel, l'agent exécute dans votre application via son API. Outils typés, validation humaine sur les actions sensibles, coûts maîtrisés.
Un état des lieux de vos données et de ce que l'IA peut y apporter, avec ce qui est réalisable à court terme et ce qui ne l'est pas. Vous repartez avec une roadmap chiffrée.
Un moteur Python qui rejoue l'historique de production entre bases SCADA et systèmes de conduite au standard IEC 61850, sur des parcs hétérogènes en bases comme en volumétrie. Mené seul du cadrage à la mise en production, avec 538 tests unitaires, une chaîne Jenkins et la documentation d'exploitation. Le gain décisif est venu du regroupement des références partageant la même requête : 1 443 requêtes SQL ramenées à 30 sur le site principal.
Une trentaine d'outils métier exposés à un modèle de langage, qui les compose librement pour modifier un devis. Chaque écriture passe par une primitive qui encapsule les séquences de rafraîchissement du logiciel hôte, ce qui garantit la cohérence des prix à chaque étape. Trois fournisseurs de LLM derrière une seule interface, commutables sans recompiler, et un prompt caching qui ramène le préfixe répété à environ 10 % du plein tarif.
Au gel de la définition, les dessins issus de CATIA V5 étaient archivés en images : ni recherche dans le texte, ni garantie de relecture à long terme. Refonte de la chaîne de conversion vers un archivage normalisé PDF/A, en C++ sous CAA V5, avec unification des parcours manuel et automatique et interfaçage avec les systèmes du SI technique, PDM, PLM et GED. Contrôle documentaire, mise à jour et enregistrement des dessins, sous contraintes de classification des données et d'accès en télétravail.
Les composites et les poches d'air ne chauffent pas comme du métal plein : un paramétrage uniforme abîme la pièce. Une zone de réparation de 1 000 × 1 000 mm est découpée en 400 zones de 50 × 50 mm, dont masse, volume et centre de gravité sont extraits de la maquette numérique, puis classées par K-Means en 8 clusters d'inertie thermique. En sortie, la maquette colorisée sur un spectre thermique donne à l'opérateur sa consigne d'isolation zone par zone.
Des volumétries d'essais incompatibles avec un poste de travail. Orchestration sous Isight d'une chaîne de calcul de bruit en conduit : quatre workflows, une quarantaine de modules Python, sur un espace croisant configurations et fréquences. La chaîne reprend là où elle s'est arrêtée : elle teste les artefacts intermédiaires déjà présents et ne relance que ce qui manque, sans jamais recalculer une fréquence résolue. Traitement du signal acoustique sur A350 XWB, exploitation d'essais en soufflerie et en vol sur réacteurs Rolls-Royce TRENT et Safran LEAP, calcul de l'OASPL aux points de certification OACI.
Développement Python, data engineering et IA en production, pour des éditeurs et des industriels.
Conception et industrialisation, seul et de bout en bout, d'un moteur Python de reprise de données entre bases SCADA et systèmes au standard IEC 61850.
Approfondissement technique en intelligence artificielle, développement Python et mise en production.
Cinq ans et quatre mois chez Capgemini Engineering, dont quatre ans et six mois de prestation intégrée chez le client final : trois ans et cinq mois chez Airbus Operations SAS, stage de fin d'études inclus, puis un an et un mois chez Safran Aircraft Engines. Dix mois de R&D interne entre les deux.
Deux blocs validés, Machine Learning et Deep Learning avec mise en production. Projet d'équipe de chatbot RAG sur documentation logicielle, du pipeline d'indexation jusqu'au déploiement.
Vérifier le certificatMaster de mathématiques et informatique. Modélisation numérique et calcul scientifique : méthodes des éléments et volumes finis, programmation parallèle, optimisation de codes de calcul sur supercalculateur.
Économie, gestion d'entreprise, comptabilité et statistiques appliquées. C'est ce qui me permet de parler coût, délai et retour sur investissement avec les équipes métier, pas seulement technique avec les développeurs.
Algèbre linéaire, analyse, probabilités et statistiques, avec une première pratique de la programmation scientifique. Le socle sur lequel reposent le calcul numérique et le machine learning.
Une mission à pourvoir, un projet à cadrer ou une question technique : écrivez-moi le contexte, je vous réponds sous 24 h. Régie ou forfait, France entière, à distance ou avec une présence sur site.
SIRET actif, RC Pro et références d'anciens managers Airbus, Safran et EDF, disponibles sur demande.
