Conception de systèmes LLM de bout en bout, pensés pour tourner on-premise : RAG avancés, agents et orchestration multi-agents, le tout dockerisé.

Français · English

Je conçois principalement des systèmes LLM complets : RAG au-delà du simple chunk (graphe de connaissances, RAG local), agents outillés et orchestration multi-agents via MCP et LangGraph, déployés sans dépendance au cloud pour garder la maîtrise de la donnée.

Autour de ce cœur : ML/DL appliqué (PyTorch, gradient boosting, séries temporelles), MLOps (MLflow, Docker) et l'ensemble de la chaîne data — collecte (scraping, annotation), modélisation, restitution applicative. Mes projets personnels me servent de terrain d'essai pour éprouver techniques et frameworks.

LLM / IA générative — RAG (graphe de connaissances, RAG local), agents ReAct, orchestration multi-agents, MCP, LangGraph, human-in-the-loop, NL→SQL. Preuves : rag-ingestion-pipeline · rag-agent-chat · data-analyst-agent · Agents-MCP-Orchestration

LLM local / on-premise — Ollama, pgvector, ChromaDB, NebulaGraph. Déploiement sans cloud, contrainte de confidentialité.

Deep Learning — PyTorch, transfer learning (EfficientNet), CNN, IA par self-play (MCTS + ResNet), audio (séparation de sources, alignement forcé, ASR). Preuves : Courtisans_Game · classification_bubbles · image_detection_pneumonia · karaokit

Machine Learning & NLP — gradient boosting (XGBoost / LightGBM), scikit-learn, NLP supervisé, séries temporelles. Preuves : voir la section Défis IA plus bas.

MLOps & reproductibilité — MLflow, Docker, environnements de services réutilisables. Preuves : mlflow_tuto · Template-services-docker.

Architecture & micro-services — Docker Compose, FastAPI, PostgreSQL, MongoDB, MinIO/S3, services temps réel. Preuves : classification_bubbles (détection acoustique temps réel) · MCP_maison.

Collecte de données & scraping — Selenium, Playwright, BeautifulSoup, structuration de données web. Preuves : urban-rivals-scraper · cardmarket-wantlist-optimizer (scraping + optimisation MIP).

Annotation & datasets — outils d'annotation, exports COCO / YOLO / Pascal VOC, NER. Preuves : Annotation-Images · Annotation-Text-Streamlit.

Analyse de données & dataviz — pandas, EDA, sources publiques (INSEE, Eurostat, HMD), applications Streamlit multi-pages. Preuves : food-habits-analysis · esperance_de_vie_FR.

Veille & dev assisté par IA — mémoire technique versionnée, exploitée par un agent IA comme contexte de développement. Preuves : DevBrain.

rag-ingestion-pipeline — Pipeline d'ingestion PDF/HTML pour assistant RAG : extraction structurée via Docling, graphe de connaissances NebulaGraph, base vectorielle ChromaDB, médias sur MinIO, orchestration Dagster. Docling · NebulaGraph · ChromaDB · MinIO · Dagster · Docker

rag-agent-chat — Agent conversationnel qui consomme ce pipeline. Plutôt que d'injecter des chunks isolés, il exploite le graphe de connaissances pour reconstruire la section complète autour de chaque passage trouvé. Machine à états LangGraph avec sélection des sources par l'utilisateur. LangGraph · ChromaDB · NebulaGraph · Ollama · FastAPI

DevBrain — Base de connaissance technique versionnée (600+ fiches) couplée à deux skills Claude Code : planifier-projet propose un stack argumenté en début de projet, enrichir-brain capture les retours d'expérience en langage naturel. Chaque projet démarre sur les choix déjà faits, pas de zéro. Claude Code · Obsidian · Développement assisté par IA

data-analyst-agent — Agent conversationnel sur données, on-premise : à partir d'un fichier (Excel/CSV) ou d'une base Postgres multi-tables, génère la requête (SQL avec jointures, ou DuckDB sur fichier) et répond en langage naturel. LangGraph · NL→SQL · DuckDB · PostgreSQL · Ollama

Agents-MCP-Orchestration — Tutoriel d'orchestration multi-agents + MCP sur un fil rouge concret (une usine à la commande) : orchestrateur, sous-agents, outils exposés via MCP. Multi-agents · MCP · Ollama · Docker

MCP_maison — Socle réutilisable et entièrement dockerisé pour construire des agents ReAct s'appuyant sur des serveurs MCP, avec un petit LLM local. Agent ReAct · MCP · FastAPI · Ollama · Docker

sales-ops-planning-poc — POC de prévision des ventes (magasin × SKU × jour) pour une enseigne retail : moteur GBM Tweedie robuste aux ruptures, cascade de calcul jusqu'au CA net, dimensionnement des effectifs (ETP), analyse d'écarts prix/volume/mix et rolling forecast. Données 100 % synthétiques ; mission AOSIS Consulting. Prévision · GBM Tweedie · Séries temporelles · Simulation · Python

Courtisans_Game — Implémentation du jeu de cartes Courtisans avec une IA inspirée d'AlphaZero (MCTS + ResNet) et une interface pour jouer contre elle. PyTorch · MCTS · ResNet · Streamlit

Le Défi IA est un concours annuel de data science qui réunit une vingtaine de grandes écoles et écoles d'ingénieurs francophones. J'ai participé aux éditions suivantes :

• Email : florian_horellou@laposte.net
• LinkedIn : florian-horellou
• GitHub : floSa

I mainly build end-to-end LLM systems: RAG beyond plain chunking (knowledge graphs, local RAG), tool-using agents and multi-agent orchestration through MCP and LangGraph, deployed without cloud dependency to keep full control over the data.

Around this core: applied ML/DL (PyTorch, gradient boosting, time series), MLOps (MLflow, Docker) and the full data chain — collection (scraping, annotation), modelling, application delivery. My personal projects act as a testing ground for techniques and frameworks.

LLM / Generative AI — RAG (knowledge graph, local RAG), ReAct agents, multi-agent orchestration, MCP, LangGraph, human-in-the-loop, NL→SQL. Evidence: rag-ingestion-pipeline · rag-agent-chat · data-analyst-agent · Agents-MCP-Orchestration

Local / on-premise LLM — Ollama, pgvector, ChromaDB, NebulaGraph. Cloud-free deployment for data-sensitive settings.

Deep Learning — PyTorch, transfer learning (EfficientNet), CNN, self-play AI (MCTS + ResNet), audio (source separation, forced alignment, ASR). Evidence: Courtisans_Game · classification_bubbles · image_detection_pneumonia · karaokit

Machine Learning & NLP — gradient boosting (XGBoost / LightGBM), scikit-learn, supervised NLP, time series. Evidence: see the Défi IA challenges section below.

MLOps & reproducibility — MLflow, Docker, reusable service environments. Evidence: mlflow_tuto · Template-services-docker.

Architecture & micro-services — Docker Compose, FastAPI, PostgreSQL, MongoDB, MinIO/S3, real-time services. Evidence: classification_bubbles (real-time acoustic detection) · MCP_maison.

Data collection & scraping — Selenium, Playwright, BeautifulSoup, structuring web data. Evidence: urban-rivals-scraper · cardmarket-wantlist-optimizer (scraping + MIP optimisation).

Annotation & datasets — annotation tools, COCO / YOLO / Pascal VOC exports, NER. Evidence: Annotation-Images · Annotation-Text-Streamlit.

Data analysis & dataviz — pandas, EDA, public data sources (INSEE, Eurostat, HMD), multi-page Streamlit apps. Evidence: food-habits-analysis · esperance_de_vie_FR.

Knowledge management & AI-assisted development — versioned technical memory used by an AI agent as development context. Evidence: DevBrain.

rag-ingestion-pipeline — PDF/HTML ingestion pipeline for a RAG assistant: structured extraction with Docling, NebulaGraph knowledge graph, ChromaDB vector store, media on MinIO, Dagster orchestration. Docling · NebulaGraph · ChromaDB · MinIO · Dagster · Docker

rag-agent-chat — Conversational agent consuming that pipeline. Instead of injecting isolated chunks, it uses the knowledge graph to rebuild the full section around each retrieved passage. LangGraph state machine with user-driven source selection. LangGraph · ChromaDB · NebulaGraph · Ollama · FastAPI

DevBrain — Versioned technical knowledge base (600+ notes) paired with two custom Claude Code skills: planifier-projet proposes a sourced stack at project kickoff, enrichir-brain captures lessons learned in natural language. Every project starts from choices already made, not from scratch. Claude Code · Obsidian · AI-assisted development

data-analyst-agent — On-premise conversational agent over data: from a file (Excel/CSV) or a multi-table Postgres database, it generates the query (SQL with joins, or DuckDB over a file) and answers in natural language. LangGraph · NL→SQL · DuckDB · PostgreSQL · Ollama

Agents-MCP-Orchestration — Multi-agent + MCP orchestration tutorial built around a concrete example (a made-to-order factory): orchestrator, sub-agents, tools exposed through MCP. Multi-agents · MCP · Ollama · Docker

MCP_maison — Reusable, fully dockerised foundation for building ReAct agents backed by MCP servers, with a small local LLM. ReAct agent · MCP · FastAPI · Ollama · Docker

sales-ops-planning-poc — Sales-forecasting POC (store × SKU × day) for a retail chain: rupture-robust Tweedie GBM engine, calculation cascade down to net revenue, staffing (FTE) sizing, price/volume/mix variance analysis and rolling forecast. Fully synthetic data; AOSIS Consulting engagement. Forecasting · Tweedie GBM · Time series · Simulation · Python

Courtisans_Game — Implementation of the Courtisans card game with an AlphaZero-inspired AI (MCTS + ResNet) and an interface to play against it. PyTorch · MCTS · ResNet · Streamlit

The Défi IA is an annual data-science competition bringing together around twenty francophone grandes écoles and engineering schools. I took part in the following editions:

• Email: florian_horellou@laposte.net
• LinkedIn: florian-horellou
• GitHub: floSa