vperies@bebop~/

Valentin Périès

Développeur IA. Lyon.

J'entraîne des modèles d'IA et je les transforme en outils utilisables.

Python · SQL · scikit-learn · FastAPI

Alternance de 2 ans · Master EPSI · Dès maintenant

Télécharger le CV Me contacter

Dossier 01ML · RNCP 2026

Nutri-Predict

Un biscuit, un métabolisme. Le poids que ça représente.

Python · scikit-learn · FastAPI · Docker

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

Dossier 02Vision · 2025

WildAIprint

Une empreinte. Une espèce.

Python · Keras · Flask · Docker

espèces
13
photos d'origine
250
83 % annoncés · 26 % réévalués · 48 % avec le modèle repris · hasard 8 %
26 → 48 %

Étude de cas

Dossier 03Data · 2026

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

Pilote

Je construis des choses qui servent.

Un modèle qui reconnaît une empreinte. Un assistant qui retrouvera un papier sur le serveur de la maison. Un script qui fait à ma place ce que je ferais dix fois à la main.

J'aime quand c'est rapide, propre et que ça tient dans le temps. Optimiser et automatiser, c'est ce que je préfère.

À côté, je fais de la photo de portrait. Ça m'a appris à mettre les gens à l'aise, à écouter avant de cadrer, et à soigner les détails. Je retrouve tout ça dans le design d'une interface. Et quand je lâche l'écran, je monte des LEGO.

ÉquipageRecherche active

Ce que j'apporte à une équipe

  • Je vais jusqu'au bout. Des données au modèle, du modèle à l'API, de l'API à l'écran, avec les tests et le déploiement.
  • Je pense à la personne qui va s'en servir. Une interface claire compte autant qu'un bon score.
  • Je parle simplement. J'explique ce que je fais, je pose des questions, et je demande de l'aide quand il faut.

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
Master Expert IA et Data science, EPSI, admis
Rythme
2 semaines en entreprise, 1 de cours
Anglais
Intermédiaire
Lieu
Lyon, hybride ou télétravail
Début
Dès maintenant
Me contacter
Compétencestree /mnt/brain/skills · une compétence, ses preuves

Chaque compétence a sa preuve.

IA et ML

Data

Back et MLOps

Interface

Choisissez une compétence : ses preuves s'affichent ici.

    Journal de bord2021 → 2026

    Cinq ans de code.

    1. Expert IA et Data scienceEPSI · admis, entreprise d'accueil recherchée
    2. Développeur IASimplon × Microsoft
    3. Développeur webFreelance
    4. Développeur full stack1000 vies · stage
    5. BTS SIOOption développement (SLAM)
    Dossier 01 · Machine learning de bout en bout

    Nutri-Predict

    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.

    Dossier 02 · Vision par ordinateur

    WildAIprint

    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, 715 depuis
    250
    83 % annoncés · 26 % réévalués · 48 % avec le modèle repris, sur 104 photos de test · 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 from scratch, 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
    Dossier 03 · Data et visualisation

    Observatoire de la parité

    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.

    Labo · IA locale · en cours

    IA de famille

    Un assistant qui connaît les papiers de la maison. Il tournera sur le serveur de la maison (NAS). Rien ne sortira.

    moteur
    Ollama
    RAG par personne
    1
    dans le cloud, par conception
    0 octet

    NAS de la maison

    1. Documentsceux de chacun
    2. Index RAGun par personne
    3. Modèle localOllama, open source
    4. Réponseavec sa source

    Cloud : rien

    Le principe

    Chaque membre de la famille a son propre index. Ses documents ne se mélangent pas avec ceux des autres.

    L'usage

    On pose une question en français. L'assistant répond et dit où il a trouvé l'information.

    La confidentialité

    Modèle, index et documents restent sur le NAS. Aucune requête ne part vers un service en ligne.