Passionné par la conception de modèles prédictifs et l’analyse de données, je travaille sur des projets alliant IA et mise en production de solutions à impact.

Fervent défenseur de l’éthique et de la souveraineté numérique, j’accorde une grande importance à l’explicabilité des modèles, la gestion des risques et le respect des données personnelles (RGPD).

Empathique et orienté impact, je crois en un numérique responsable, au service des utilisateurs et des décisions éclairées.

Expériences

Planification et mise en production de baies SAN, NAS et serveurs
Administration et évolution de l'infrastructure des clients

Compétences

Langages et frameworks : Node.js, Python (Django, Flask, data science, machine learning)
API : Conception, consommation et production d’API RESTful, avec une bonne maîtrise d’OAuth et JWT pour l’authentification sécurisée
Bases de données : PostgreSQL / PostGIS, MySQL
Environnements et outils de développement : VS Code, Git, Postman, Jupyter Notebook
Tests et intégration continue : GitHub Actions, Gatling Tool (tests de performance)

Mise en œuvre d’un datalake, développement d’une API d’accès aux données et définition d’une stratégie OpenData.
Orchestration de pipelines de données avec Dagster.
Visualisation et tableaux de bord : Metabase.
Analyse de données SQL avec MotherDuck.
MongoDB (développement : agrégations avancées, map/reduce ; administration : sharding, failover).
Redis, Cassandra, Spark pour la gestion et le traitement des données distribuées.
Systèmes de logs et monitoring : ELK (ElasticSearch, Logstash, Kibana), Grafana.
Event-driven architecture et messagerie asynchrone : ActiveMQ.

Libraries et frameworks machine learning : Scikit-learn, SparkML, TensorFlow, Keras, PyTorch
Traitement et analyse de données : NumPy, Pandas, SciPy, Seaborn, Matplotlib, Plotly
Traitement du langage naturel (NLP) : NLTK, SpaCy, OpenAI API, Microsoft Azure AI
Vision par ordinateur : OpenCV
Graphes et embeddings : NetworkX, Node2Vec
Environnements de développement et gestion de modèles : Jupyter Notebook, MLflow, Dagster
Outils grand public et IA générative : ChatGPT, MidJourney, DALL·E

Principes d’architecture : Approche 12 facteurs, Event-driven architecture, microservices, et CI/CD.
Cloud providers et PaaS : Clever Cloud, Scalingo, Microsoft Azure, Amazon AWS (S3, EC2, DynamoDB, SQS...).

Technologies front-end : HTML5, CSS3, JavaScript (ES6+)
Frameworks et bibliothèques : React, Redux
Cartographie et géolocalisation : Leaflet, Geocoding, API Google Maps, OpenStreetMap
Visualisation interactive : Plotly, D3.js

Culture DevOps et SRE (Site Reliability Engineering) : principes de résilience, disponibilité et scalabilité
Sécurité informatique et conformité : RGPD, bonnes pratiques de sécurisation des services et des données
Environnements système : GNU/Linux (administration : SSH, iptables, cron, systemd)
Serveurs web : Nginx, Apache
Monitoring et backup : mise en place de systèmes de surveillance et plans de sauvegarde/restauration
Conteneurisation et automatisation : Docker, Ansible pour l’orchestration et le déploiement automatisé

Anglais technique et d'affaires (TOEIC: 800)

Formations

« LEADING A DATA SCIENCE PROJECT USING ADVANCED AI TOOLS » Formation certifiante RNCP

Data challenge : The goal of this challenge is to study and apply machine learning/artificial intelligence techniques to a link prediction problem.
Graph Neural nets, NLP, Deep Learning

Good report; The analysis is relevant and much work has been done to evaluate the benefits of numerous tracks; The logic of development is clearly explained; One can regret that the final logloss is at 0.24 by lack of time; A lot of possible enhancements are proposed; The presentation is clear.

Agréger un ensemble de données pour ensuite les nettoyer et les structurer ;
Explorer ces données afin d’en déterminer la valeur et y repérer des motifs récurrents ou des irrégularités significatives ;
Produire de la valeur à partir des données par la création de modèles prédictifs ;
Modéliser le phénomène à l’origine des données pour répondre à un problème de l’entreprise ;
Évaluer et améliorer les performances d’un modèle d’apprentissage automatique (machine learning) ;
Rendre les données visuelles pour communiquer ses résultats ;
Établir des recommandations pour orienter les décisions stratégiques de l’entreprise.

Un cursus bac+5 formant les managers d’équipes et de projets internationaux en nouvelles technologies, les entrepreneurs innovants que les entreprises recherchent.

M1 - Génie Logiciel
M2 - International Business Engineering
Mémoire sur le cloud computing

Une solide formation théorique et pratique, qui permet de s'adapter à l'évolution technologique incessante de l'informatique.

Java
UML
Design patterns

Centres d'intérêt

Triathlon longue distance, cyclisme, nage en eau libre et course à pied
Mécanique, pratique du sport automobile
Musculation, préparation physique

Sapeur pompier volontaire, référent sport et préparation physique de mon centre de secours

CV créé sur DoYouBuzz

Votre navigateur est obsolète !

Loïc Guillois

Ingénieur IA & Machine Learning

Ingénieur maintenance

Développement serveur

Data

Machine learning

Cloud computing / PaaS

Développement Web front

Administration système / devops

Langues

Advanced AI for Data Analysis

X Polytechnique Executive Education

Ingénieur Machine Learning

Openclassrooms

Master M2IRT

ITIN (CCI de Versailles)

DUT Informatique

Université Bretagne Sud

Sport

Autre