Valentin PérièsV. Périès, retour au départ

Valentin Périès

Développeur IA. Lyon.

J'entraîne des modèles et je les mets en service : API, tests, Docker.

Python · SQL · scikit-learn · FastAPI

Alternance de 2 ans · Bac+5 EPSI · Dès maintenant

Télécharger le CV Me contacter

Sumi

Une barre d'infos en haut de l'écran Windows, dans l'esprit de la Dynamic Island de l'iPhone. Gratuite et open source.

Rust · Tauri 2 · Svelte 5 · TypeScript

version publiée
0.4.0
étapes avant la 1.0
5
licence
MIT

Voir le site de Sumi

Nutri-Predict

Ce qu'un biscuit change au poids, selon le métabolisme.

Python · scikit-learn · FastAPI · Docker

R², données simulées (0,959 en régression linéaire)
0,985
erreur moyenne
2,1 g
tests automatisés
13

WildAIprint

Reconnaître un animal à la photo de son empreinte, et vérifier le score annoncé.

Python · Keras · Flask · Docker

espèces
13
photos (250 au départ)
715
sur 104 photos jamais vues : fuite corrigée, puis modèle repris. Hasard : 8 %
26 → 48 %

Observatoire de la parité

Qui parle à la télé et à la radio. Chiffres à l'appui.

Python · Pandas · Chart.js

chaînes où les femmes ont moins de la moitié de la parole identifiée (femmes + hommes). 2020, CSA et INA
33/35

Voir le site de l'Observatoire de la parité

J'automatise ce que je ferais dix fois à la main

Dernier exemple : mes actus LEGO, triées par un LLM et postées sur Discord avec n8n.

À côté, je fais de la photo de portrait. Ça m'a appris à écouter avant de cadrer. Et quand je lâche l'écran, je monte des LEGO.

Ce que j'apporte à une équipe

  • Je livre jusqu'au déploiement. Sur Nutri-Predict, mon projet de certification : données, modèle, API FastAPI, interface, 13 tests et CI sur GitHub Actions.
  • Je vérifie mes scores. Sur WildAIprint, j'ai refait l'évaluation et publié le vrai chiffre, plus bas que celui annoncé.

Ce que je cherche

Une alternance en développement IA, dans une équipe où je peux apprendre auprès de gens plus expérimentés et livrer de vrais projets.

Formation
Bac+5 Expert IA & Data Sciences (titre RNCP niveau 7), EPSI, admis
Rythme
2 semaines en entreprise, 1 de cours
Anglais
Intermédiaire
Lieu
Lyon, hybride ou télétravail
Début
Dès maintenant
Contrat
Apprentissage

Chaque compétence a sa preuve

IA et ML

Data

Back et MLOps

Interface

Choisissez une compétence : ses preuves s'affichent ici.

    Cinq ans de code

    1. Expert IA & Data SciencesEPSI · admis, entreprise d'accueil recherchée
    2. Développeur IASimplon × Microsoft
    3. Développeur webFreelance · premiers projets sur Fiverr en 2024
    4. Développeur full stack1000 vies · stage
    5. BTS SIOOption développement (SLAM)

    Sumi

    Voir le code

    Une petite pilule noire en haut de l'écran Windows. Elle affiche l'heure, puis change quand il se passe quelque chose : un morceau démarre, un jeu passe en plein écran.

    Quand
    Depuis novembre 2026
    Rôle
    Seul, de la maquette à l'installateur
    Stack
    Rust · Tauri 2 · Svelte 5 · TypeScript
    version publiée
    0.4.0
    étapes avant la 1.0
    5
    licence
    MIT
    Sumi en haut de l’écran : panneau musique ouvert (pochette, progression, commandes), l’heure à côté

    Le principe

    Un cœur en Rust parle à Windows : il place la fenêtre, laisse passer les clics, repère le plein écran et lit la musique en cours. L'interface, en Svelte et TypeScript, s'affiche dans WebView2, déjà présent dans Windows : pas de navigateur embarqué, un installateur léger.

    La méthode

    Une branche stable et une branche d'intégration, protégées : tout passe par une pull request et trois vérifications automatiques. Chaque version a ses notes et son installateur, dont on peut vérifier qu'il sort bien du dépôt.

    L'avancement

    Quatre étapes sur neuf, une par version : l'heure, les animations à ressort, l'effacement devant un jeu ou une vidéo en plein écran, la musique de n'importe quel lecteur. Restent les voyants micro et caméra, la barre de commande IA, les minuteurs, la météo, puis les réglages et un installateur signé.

    Nutri-Predict

    Voir le code

    Le projet de ma certification RNCP Développeur IA. On donne son métabolisme, un biscuit et une portion : le modèle estime la variation de poids, en grammes.

    Quand
    2026 · Simplon, titre RNCP
    Données
    955 biscuits OpenFoodFacts · 5 000 cas simulés
    Stack
    scikit-learn · FastAPI · PostgreSQL · Docker · GitHub Actions
    Essayez le modèle

    …

    Les vraies sorties du modèle (RandomForest, 50 arbres), calculées sur 5 083 points de son domaine d'entraînement puis interpolées dans votre navigateur.

    R², données simulées
    0,985
    erreur moyenne
    2,1 g
    tests automatisés
    13

    Les données

    Les calories pour 100 g viennent de 955 biscuits d'OpenFoodFacts. Le métabolisme et la portion sont tirés au hasard. La variation de poids est calculée par une formule : calories de la portion, moins 20 % du métabolisme, divisées par 7,7, plus un bruit de 2 g (écart-type). Le modèle apprend donc à retrouver cette formule. Cela fait 5 000 cas simulés : 4 000 pour entraîner, 1 000 pour tester.

    Le modèle

    Un RandomForest de scikit-learn. Sur le jeu de test : R² de 0,985 et erreur moyenne de 2,1 g. Une régression linéaire fait 0,959. Le maximum possible, fixé par le bruit, est 0,993.

    La production

    Une API FastAPI. La prédiction demande une clé d'API, ici une clé de démo lue par le front, et limite le nombre de requêtes. Le poids et la taille sont chiffrés en AES-256-GCM. Interface HTML et JavaScript, 13 tests, CI/CD sur GitHub Actions, suivi Prometheus et Grafana.

    WildAIprint

    Code du modèleCode de l'app

    Une photo d'empreinte, une espèce à trouver parmi treize, sauvages et domestiques. En local, sans cloud.

    Quand
    Mai 2025 · Simplon × Microsoft
    Rôle
    Data scientist, équipe de 4 : nettoyage, premier CNN, export, API
    Stack
    Keras · ResNet50 · DINOv2 · PyTorch · MLflow · Flask · Docker
    espèces
    13
    photos d'origine (250 au départ)
    715
    83 % annoncés, faussés par une fuite de données. Sur 104 photos jamais vues : 26 % une fois la fuite corrigée, 48 % avec le modèle repris (hasard : 8 %)
    26 → 48 %
    F1 macro, modèle repris
    0,48

    Le terrain

    250 photos d'origine, portées à 1 500 par augmentation. Doublons retirés par empreinte MD5.

    Le modèle

    Un premier CNN entraîné de zéro, suivi dans MLflow, plafonnait à 18 %. L'équipe a gardé le plus performant : le ResNet50 de Yasmine Sayad, en transfer learning puis fine-tuning. Je l'ai repris autrement : des réseaux pré-entraînés gelés, dont DINOv2-Large, et une régression logistique par-dessus (une « sonde linéaire »).

    Le vrai score

    Il affichait 83 %. Mais les variantes d'une même photo servaient à la fois à entraîner et à vérifier, pour lui comme pour le premier CNN. Séparé par photo d'origine : 26 % sur 38 photos jamais vues (entre 13 et 39 %, un seul entraînement), contre 8 % au hasard. Avec preprocess_input : 24 %. Avec 715 photos d'origine au lieu de 250 : 26 % sur 104 photos de test (18 à 35 %), aucun gain visible. Avec le modèle repris, sur les mêmes 104 photos : 37,5 % au premier tour (DINOv2-Base), puis 48 % au second (DINOv2-Large, 38 à 58 %). Le test a servi deux fois, une par tour. Limites : un seul entraînement, 8 photos de test par espèce, et l'application utilise encore l'ancien modèle. Prochaines pistes : recadrer l'empreinte avant de la classer, brancher le nouveau modèle dans l'application.

    La production

    Le modèle exporté sert une API Flask, avec un front séparé. Docker Compose (2 conteneurs), SQLite pour l'historique des relevés, 7 tests pytest de l'API : GitHub Actions les lance, la CI GitLab aussi, avec en plus le test du vrai modèle.

    Ma part

    En équipe : nettoyage et déduplication des images, premier CNN, export du modèle, intégration dans l'API Flask. Seul, en octobre 2026 : l'évaluation refaite, puis le jeu agrandi à 715 photos (465 photos d'empreintes iNaturalist ajoutées, triées à la main). En novembre 2026 : le modèle repris, avec des sondes linéaires sur réseaux gelés. Cinq notebooks publics.

    • Puma
    • Loup
    • Ours
    • Lynx
    • Castor
    • Coyote
    6 des 13 espèces du jeu de données

    Observatoire de la parité

    Voir le code

    Pour le défi data.gouv.fr « Les Françaises et Français face à l'information » : qui parle à la télé et à la radio, chiffres à l'appui.

    Quand
    Janvier 2026
    Rôle
    Data analyst, en équipe de 3
    Stack
    Python · Pandas · Jupyter · Chart.js · Netlify
    de données
    2 ans
    sources
    CSA, INA
    chaînes où les femmes ont moins de la moitié de la parole identifiée, femmes + hommes (2020)
    33/35
    Page d'accueil du site : « Les Français face à l'Information »

    Les données

    Les jeux CSA et INA 2019-2020 sur la parole des femmes, nettoyés et consolidés en CSV exploitables.

    La méthode

    Deux notebooks Jupyter d'analyse, dans le dépôt. Fait à trois, avec Gautier Gavat et Sabry Touam.

    Le site

    Un site statique sur Netlify. Les graphiques Chart.js lisent directement les CSV : pas de serveur.

    IA de famille

    Une IA qui garde les données en local. Entre autres, elle génère des rapports, des factures (pour mon usage personnel) et des slides. Et elle code.