Recherche & expérimentation

Recherche & expérimentation

En parallèle des livrables clients, je mène depuis 2022 une recherche autonome en architectures neuronales et systèmes d’orchestration multi-agent. Ces travaux ne sont pas publiés à ce jour — je préfère valider rigoureusement avant de partager.

Cette page existe pour donner un aperçu anonymisé des thématiques explorées, sans révéler les détails des architectures. Elles sont mentionnées ici pour donner du contexte aux clients qui se demandent « d’où vient cette compétence en IA appliquée ? » — la réponse est : « d’années à construire mes propres systèmes from scratch, pas juste à appeler des APIs ».

Domaines actifs

Architectures neuronales personnalisées

Conception d’architectures alternatives aux Transformers standards : combinaisons hybrides de réseaux liquides (Liquid Time Constants), splines apprenables (KAN — Kolmogorov-Arnold Networks), et mécanismes d’attention modifiés. Implémentation en PyTorch from scratch, validation sur benchmarks publics, inspiration tirée de papers récents (NeurIPS, ICLR).

Pourquoi ? Parce que les Transformers standards atteignent leurs limites sur certains régimes de données. Comprendre les alternatives = comprendre quand un client a vraiment besoin de fine-tuner un modèle générique, vs concevoir quelque chose de plus ciblé.

Orchestration multi-agent et délégation

Étude de protocoles permettant à plusieurs modèles spécialisés de collaborer sur une tâche complexe — une approche structurée plutôt qu’un seul gros modèle qui fait tout. Workflow types : un modèle planificateur, des modèles exécutants, un modèle vérificateur. Anti-pattern context pollution étudié en pratique.

Pourquoi ? Parce qu’en 2026 la plupart des problèmes IA en production ne sont plus « quel modèle ? » mais « comment orchestrate plusieurs modèles ? ». Cette compétence se transpose directement dans les livrables RAG ou agents pour clients.

Compute distribué peer-to-peer

Recherche sur les protocoles permettant à plusieurs machines (laptop + cloud GPU + machines bénévoles) de collaborer sur un entraînement ou une inférence sans uploader les poids du modèle. Inspiré de DiLoCo, federated learning, et des architectures hub-and-spoke modernes.

Pourquoi ? Parce que la facture GPU cloud est devenue le facteur limitant de la R&D indépendante. Apprendre à entraîner intelligemment avec moins, plutôt qu’à louer plus.

Verification automatique de sortie LLM

Conception de pipelines où une sortie LLM est vérifiée par un second LLM (ou un système formel) avant d’être présentée à l’utilisateur. Inclut : détection d’hallucinations, vérification de citations, comparaison à une vérité-terrain.

Pourquoi ? Parce que livrer un système IA en production sans verification = livrer un risque. Cette discipline alimente directement mes audits Loi 25 (où aucune erreur silencieuse n’est acceptable).

Statut de publication

Travaux non publiés publiquement. Disponibles pour discussion sous NDA avec clients sérieux qui veulent comprendre la profondeur du savoir-faire avant un mandat.

Pas d’auto-promotion sur arXiv ou GitHub public — la recherche en architectures neuronales est très compétitive et plusieurs idées restent à valider/protéger.

Pour aller plus loin

Si vous représentez une organisation qui pourrait bénéficier de ces compétences (R&D appliquée, audit de système IA tiers, conception sur mesure), contactez-moi directement. Une conversation initiale est toujours gratuite et peut clarifier rapidement si un mandat est pertinent.