Pierre Jean

R&D – Accélération par IA de simulations numériques de supraconducteurs haute température (HTS)
(Projet mené en collaboration avec le Conseil national de recherches du Canada - CNRC)
- Recherche en supraconductivité haute température (HTS) : simulations numériques multiphysiques de supraconducteurs
multicouches sous COMSOL, incluant couplages électro-thermiques et dynamiques de quench fortement non linéaires.
- Conception et automatisation de pipelines de calcul scientifique : pilotage de COMSOL via MATLAB, orchestration de
campagnes de simulations à grande échelle, extraction, structuration et analyse de données scientifiques haute dimension.
- Intégration de modèles de Machine Learning pour l’accélération des simulations physiques : développement de modèles
prédictifs pour la prévision de séries temporelles 2D/3D, réduction significative des temps de calcul et étude des compromis
précision / coût computationnel.

Machine Learning & recommandation – données marketing à grande échelle
- Conception et optimisation d’un système de recommandation Neural Collaborative Filtering (NCF) en PyTorch : entraînement à
grande échelle sur données e-commerce, optimisation des performances et de l’empreinte mémoire, et adaptation à des
volumes élevés.
- Mise en œuvre de transfer learning et de recherche vectorielle sémantique pour le remplacement produit : génération
d’embeddings (OpenAI), indexation vectorielle, calcul de similarité et intégration dans des systèmes de recommandation.
- Déploiement et exposition de modèles ML en production : packaging et déploiement sur GCP, exposition via API (Flask),
gestion des environnements et supervision des services.
- Optimisation de modèles Deep Learning et pipelines serverless : amélioration des temps d’inférence, gestion du stockage
intermédiaire et cold storage, et déploiement de fonctions serverless (Cloud Functions) pour l’optimisation de l’inférence.

Automatisation SEO & GenAI / Cloud (GCP)
- Conception et industrialisation d’agents LLM pour l’automatisation SEO (rich snippets) : implémentation d’agents avec LangGraph,
génération contrôlée de contenus structurés, validation sémantique et conformité stricte aux contraintes SEO.
- Génération, exécution et validation automatisées de code via LLM : exécution en sandbox JavaScript, tests automatisés avec
Selenium, navigation headless et boucles de correction itératives pilotées par agents.
- Orchestration et supervision de pipelines data et GenAI en production : Apache Airflow, gestion des dépendances, reprise sur
erreur, monitoring et fiabilisation des workflows.
- Traitement de données à forte cardinalité et architecture serverless : optimisation des performances et des coûts, déploiement de
fonctions serverless (Cloud Functions).
- Déploiement et exploitation d’applications data et GenAI sur GCP : intégration avec BigQuery, App Engine et Pub/Sub, gestion
des environnements et montée en charge.
- Contribution à un brevet en intelligence artificielle : modélisation mathématique, formalisation d’approches algorithmiques et
rédaction de documentation technique.