À propos de moi
De l’energie electrique à l’analyse : un parcours entre données, intelligence et impact
Mon histoire commence dans le monde des électrons et des champs électromagnétiques — un univers où la précision est essentielle, où une seule erreur de calcul peut faire la différence entre la lumière et l’obscurité, entre la connexion et le silence. En tant qu’ingénieur en télécommunications et en génie électrique, j’ai appris à penser en systèmes : réseaux électriques, propagation des signaux, fiabilité des infrastructures. J’ai appris que la complexité peut être maîtrisée par une modélisation rigoureuse, que l’incertitude exige une pensée probabiliste, et que l’impact réel nécessite des solutions capables de fonctionner sous pression.
Mais au fil de ce parcours, j’ai fait une découverte déterminante : les mêmes principes qui régissent les réseaux électriques peuvent transformer notre manière de comprendre les données, d’optimiser les opérations et de concevoir des systèmes intelligents. La prévision énergétique ne consiste pas seulement à prédire des kilowatts — elle consiste à détecter des motifs dans le chaos, à comprendre la saisonnalité dans le bruit, et à prendre des décisions lorsque les enjeux sont élevés. Les micro-réseaux intelligents ne sont pas qu’un problème matériel — ce sont des pipelines de données temps réel exigeant des décisions à la milliseconde.
Cette prise de conscience a tout changé.
Aujourd’hui, je me situe à l’intersection de l’ingénierie des données, de l’intelligence artificielle et de l’optimisation prescriptive — non pas comme des disciplines séparées, mais comme une force unifiée au service de problèmes concrets. Je conçois des pipelines de données scalables qui ne se contentent pas de déplacer l’information, mais la transforment en intelligence exploitable. Je développe des modèles d’optimisation qui ne restent pas confinés aux articles académiques, mais pilotent des opérations réelles en entrepôt, réduisent les temps de préparation et améliorent la qualité des décisions. Je déploie des systèmes de machine learning avec la même rigueur que celle appliquée autrefois aux réseaux électriques : robustes, surveillés, prêts pour la production.
Des intégrations ERP (Dynamics 365 SCM) aux prévisions multivariées de séries temporelles, du slotting d’entrepôt par PLNE (MILP) aux pipelines MLOps (MLflow, Kubernetes, CI/CD), chaque projet est un pont entre l’élégance mathématique et la réalité opérationnelle. Je ne me contente pas de nettoyer des données ; j’en garantis l’intégrité, la traçabilité et la gouvernance. Je ne me limite pas à construire des modèles ; je les valide, je les mesure, je les déploie et j’en assume la performance en production.
Mais ce qui me motive le plus, c’est ceci : j’apprends encore. Je progresse encore. J’ai encore faim.
Actuellement, j’approfondis Azure Databricks et Apache Spark, en repoussant les limites du calcul distribué pour l’analytique à grande échelle. J’explore la frontière de l’optimisation de la chaîne logistique, où chaque point de pourcentage gagné se traduit par un impact tangible. Je perfectionne en continu mes compétences en modélisation statistique, architecture cloud et déploiement de l’IA — car dans ce domaine, rester immobile revient à reculer.
Je conserve l’état d’esprit de l’ingénieur qui analysait autrefois les perturbations électromagnétiques dans les réseaux de télécommunications : obsession du détail, exigence de validation, et engagement envers des solutions qui ne fonctionnent pas seulement sur le papier — mais lorsque cela compte vraiment.
Qu’il s’agisse de concevoir des workflows ETL pour des plateformes d’aide à la décision, de mettre en place des tableaux de bord de monitoring en temps réel, ou de résoudre des problèmes complexes d’optimisation prescriptive, j’apporte la même énergie : clarté dans la complexité, mesure plutôt qu’hypothèses, et exécution orientée valeur.
Ce n’est pas simplement une carrière. C’est une quête continue d’excellence à la frontière des données, de l’IA et de l’optimisation. Les problèmes deviennent plus difficiles. Les jeux de données, plus volumineux. Les enjeux, plus élevés.
Et je n’échangerais cela pour rien au monde.
Ce que je valorise
- Clarté : code lisible, pipelines maintenables, modèles compréhensibles
- Mesure : KPIs pertinents, validation rigoureuse, analyse de scénarios
- Exécution : du prototype à la production, automatisation, CI/CD, impact réel
- Progression : apprentissage continu, dépassement des limites, rester à la pointe
Construisons quelque chose qui a du sens
Que vous travailliez sur l’optimisation de la chaîne logistique, la construction de plateformes analytiques, ou le déploiement de systèmes d’IA à grande échelle, j’apporte profondeur technique, compréhension opérationnelle et un engagement sans compromis pour livrer des solutions qui fonctionnent réellement.
Des réseaux électriques aux pipelines de données.
Du traitement du signal au machine learning.
De la théorie à la production.
Toujours en évolution. Toujours dans l’impact.