// des modèles en production depuis 2018

JonathanNguyen

Staff AI Engineer chez

Deep LearningSystèmes LLM

Staff AI Engineer

Je construis des systèmes LLM et de vision par ordinateur qui tiennent à l'échelle : des présentations générées depuis un prompt, la détection de fraude sur un millier de caisses automatiques, et du real-time bidding à cent mille requêtes par seconde.

Ans en ML: 8+
Entreprises: 6
Médaille d'or Kaggle: 1×

// ce que j'ai construit

Travaux sélectionnés

Générateur de slides IA

2026 — aujourd'hui

Un prompt en entrée, une présentation PowerPoint structurée et soignée en sortie. Construit chez UpSlide pour ceux qui produisent des décks clients à longueur de journée.

Pipeline de génération et intégration Office construits de bout en bout.
La contrainte difficile n'est pas la fluidité mais la constance : les slides doivent être fiables et tenir face aux standards de design professionnels à chaque exécution, pas seulement pour la démo.

Python
LLMs
PowerPoint / OOXML
Office Add-ins

BetterJobsHunt

2026 — aujourd'hui

Un espace de recherche d'emploi propulsé par l'IA, pensé pour ceux qui préfèrent dix candidatures ciblées à cent envoyées à l'aveugle. Il évalue l'adéquation à l'offre, réécrit l'expérience en bullets STAR et suit tout le pipeline au même endroit.

Score d'adéquation et de compatibilité ATS avec analyse des mots-clés manquants : le candidat voit ce qui manque avant de postuler, pas après le refus.
Human-in-the-loop par conception : le modèle rédige et réécrit, mais rien n'est envoyé automatiquement — chaque candidature passe par une validation.
Suivi du pipeline avec rappels de relance, fiches de recherche entreprise et préparation d'entretien, plus une analyse des tendances de résultats.
Produit en abonnement avec offre gratuite et usage à crédits, en ligne et avec des clients.

LLMs
Resume Parsing
ATS Matching
SaaS

Site

Détection de fraude en caisse automatique

2024 — 2026

Un système de vision par ordinateur en deep learning qui détecte et suit la fraude aux caisses automatiques sur le parc européen de Carrefour.

Tourne sur plus de 1 000 caisses, avec un objectif de 2 % de chiffre d'affaires supplémentaire.
Conçu pour le côté ingrat de la vision : éclairages de magasin variables, occlusions, et un budget de faux positifs qui doit préserver la confiance des équipes en caisse.

Python
PyTorch
Computer Vision
GCP

JovyanAI

2024 — 2025

Un copilote IA pour la data science et le machine learning : assistance de code et expérimentation plus rapide pour ceux qui vivent dans des notebooks. Cofondé en tant que CTO.

Jusqu'à 2 000 € de revenu récurrent mensuel.
Système LLM full-stack sur Google Cloud : pipelines RAG, architectures multi-agents, Next.js et TypeScript.

LLMs
RAG
Multi-Agent
Next.js
TypeScript
GCP

Site

Prédiction de propriétés RMN

2020

Une stratégie de machine learning pour prédire l'interaction magnétique entre atomes dans une molécule — une médaille d'or Kaggle devenue un article évalué par des pairs.

Médaille d'or face à environ 3 000 participants.
Publié dans PLOS ONE comme stratégie de machine learning pour trouver des modèles de prédiction de propriétés RMN.

Python
PyTorch
Graph Neural Networks

Article

Plateforme MLOps sur Vertex AI

2024

Une plateforme interne qui automatise le pipeline ML de bout en bout, de l'entraînement au déploiement et au monitoring.

2 points clés

Cycle de déploiement ramené de trois semaines à un jour.
Reproductibilité devenue la norme plutôt qu'un effort projet par projet — les mêmes pratiques s'appliquent désormais à tous les modèles de l'équipe.

Vertex AI
GCP
Terraform
Docker
Airflow

Real-Time Bidding et ad network

2021 — 2024

Un ad network construit de zéro chez Voodoo, avec le ML qui décide des enchères, pour un portefeuille de jeux mobiles comptant des centaines de millions de joueurs.

3 points clés

1 M€ de revenu mensuel généré en tant que couche entre annonceurs et éditeurs.
Recommandations et enchères servies à plus de 100 000 impressions par seconde, sur 40 millions d'utilisateurs actifs quotidiens.
Enchères d'acquisition automatisées pour plus de 200 jeux et un budget annuel de 100 M$, en remplacement d'un processus manuel amélioré de 60 %.

Python
Recommender Systems
Real-Time Bidding
Spark
AWS

Assistant documents et location (Vietnam)

2022 — 2024

Deux systèmes NLP en production chez DopikAI : un chatbot pour les demandes de location et de l'extraction d'information on-premise pour des documents vietnamiens.

2 points clés

Le chatbot combinait RAG et text-to-SQL pour répondre en contexte aux questions sur les appartements, à plus de 1 000 requêtes par jour.
L'extraction documentaire tournait on-premise, ce qui a conditionné chaque décision sur la taille des modèles et le coût d'inférence.

Python
RAG
Text-to-SQL
NLP
Docker

Site

Reconnaissance vocale multilingue

2020 — 2021

R&D de reconnaissance vocale chez BNP Paribas Cardif en espagnol, italien et français, conçue pour rendre l'audit des appels abordable plutôt que pour courir après un benchmark.

3 points clés

Divisé par deux le volume d'appels audités et leur coût, avec un pipeline de reconnaissance et d'audit de texte construit de bout en bout, de l'annotation à l'entraînement.
Atteint des taux d'erreur mot inférieurs à 15 % sur très peu de données internes — c'est ce qui a rendu les méthodes non supervisées et auto-supervisées essentielles plutôt qu'optionnelles.
Piloté le volet ML, y compris la recherche sur l'apprentissage auto-supervisé pour la parole.

Python
PyTorch
Speech Recognition
Self-Supervised Learning

Pipeline OCR documentaire

2018 — 2020

Un pipeline d'extraction documentaire en production chez BNP Paribas Cardif : détecter la mise en page, détecter le texte, le lire — au volume que reçoit réellement un assureur.

3 points clés

Réduit de 60 % le temps et le coût d'extraction d'information depuis des documents.
Détecté la mise en page et le texte avec des modèles de détection d'objets et de texte, puis lecture par des modèles de reconnaissance maison atteignant des taux d'erreur mot inférieurs à 5 %.
Pris en charge le chemin de déploiement autant que les modèles : environnement Docker, API et pipeline CI/CD.

Python
Deep Learning
OCR
Computer Vision
Docker
CI/CD

// où j'ai travaillé

Expérience

Staff AI Engineer · UpSlide
juin 2026 — aujourd'hui
Paris, France
- Conçu un générateur de slides propulsé par l'IA qui transforme le prompt d'un utilisateur en une présentation PowerPoint structurée et soignée, réduisant le travail manuel de création.
- Développé le pipeline de génération et l'intégration Office, améliorant la cohérence et la fiabilité des slides et gardant le résultat aligné sur les standards de design professionnels.
- Python
- LLMs
- PowerPoint / OOXML
- Office Add-ins
Lead Machine Learning Engineer · Carrefour
févr. 2024 — juin 2026
Paris, France
- Conçu et déployé un système de vision par ordinateur en deep learning qui détecte et suit la fraude sur plus de 1 000 caisses automatiques en Europe, avec un objectif de 2 % de chiffre d'affaires supplémentaire.
- Réduit le cycle de déploiement ML de trois semaines à un jour en construisant une plateforme MLOps sur Vertex AI qui automatise le pipeline de bout en bout, et établi les pratiques de l'équipe en conception et reproductibilité des systèmes ML.
- Déployé un système de comptage de personnes en deep learning pour le suivi des files d'attente en temps réel, donnant enfin des données concrètes aux décisions de staffing.
- Encadré l'équipe ML, en livrant des projets IA au-delà des frontières entre équipes.
- Python
- PyTorch
- Computer Vision
- Vertex AI
- GCP
- MLOps
Cofounder & CTO · JovyanAI
déc. 2024 — déc. 2025
Paris, France
- Cofondé un copilote IA pour la data science et le machine learning, jusqu'à 2 000 € de revenu récurrent mensuel.
- Construit un assistant qui automatise les workflows de data science avec de l'assistance de code intelligente, raccourcissant la boucle entre l'idée et l'expérience.
- Conçu et implémenté le système LLM full-stack sur Google Cloud : pipelines RAG, architectures multi-agents, Next.js et TypeScript de bout en bout.
- Python
- TypeScript
- Next.js
- LLMs
- RAG
- GCP
Lead Machine Learning Engineer · DopikAI
janv. 2022 — déc. 2024
Paris, France
- Livré un chatbot Facebook Messenger en production utilisant RAG et text-to-SQL pour répondre en contexte aux questions de location d'appartements, à plus de 1 000 requêtes par jour.
- Construit des modèles de deep learning on-premise pour extraire de l'information structurée de documents vietnamiens.
- Python
- RAG
- Text-to-SQL
- NLP
- Docker
Senior Machine Learning Engineer · Voodoo
déc. 2021 — janv. 2024
Paris, France
- Construit un ad network de zéro — la couche entre les annonceurs qui achètent des emplacements et les éditeurs qui les vendent — générant 1 M€ de revenu mensuel.
- Déployé des modèles ML et un système de recommandation pour le real-time bidding à plus de 100 000 impressions par seconde, sur 40 millions d'utilisateurs actifs quotidiens.
- Amélioré de plus de 60 % le processus d'enchères manuel avec des modèles prédisant la valeur vie client, les volumes d'installation et les marges.
- Automatisé les enchères d'acquisition d'utilisateurs sur les plateformes publicitaires mobiles pour plus de 200 jeux et un budget annuel de 100 M$.
- Construit un Slackbot LLM interne qui répond aux questions des employés à partir de sources internes et externes.
- Python
- Real-Time Bidding
- Recommender Systems
- Spark
- AWS
Senior Machine Learning Engineer · BNP Paribas Cardif
déc. 2020 — déc. 2021
Paris, France
- Piloté le volet ML de la R&D en reconnaissance vocale : reconnaissance et transcription de l'espagnol, de l'italien et du français.
- Divisé par deux le volume d'appels audités — et leur coût — grâce à un pipeline de reconnaissance vocale et d'audit de texte construit de bout en bout, de l'annotation à l'entraînement.
- Atteint des taux d'erreur mot inférieurs à 15 % sur très peu de données internes, avec des méthodes non supervisées à l'état de l'art.
- Encadré la recherche sur l'apprentissage non supervisé et auto-supervisé pour la parole.
- Python
- PyTorch
- Speech Recognition
- Self-Supervised Learning
Machine Learning Engineer · BNP Paribas Cardif
avr. 2018 — déc. 2020
Paris, France
- Réduit de 60 % le temps et le coût d'extraction d'information depuis des documents, avec un pipeline d'extraction scalable et prêt pour la production.
- Détecté la mise en page et le texte des documents avec des modèles de détection d'objets et de texte à l'état de l'art.
- Construit des modèles de reconnaissance maison atteignant des taux d'erreur mot inférieurs à 5 %.
- Pris en charge l'environnement Docker, l'API et le pipeline CI/CD pour le déploiement.
- Python
- Deep Learning
- OCR
- Docker
- CI/CD

JonathanNguyen

Qui je suis

Formation

Master, Ingénierie financière

Licence, Économie et gestion

Travaux sélectionnés

Machine learning

Langages

Frameworks ML

Cloud et données

MLOps

Aussi sur mon bureau

Expérience

Staff AI Engineer · UpSlide

Lead Machine Learning Engineer · Carrefour

Cofounder & CTO · JovyanAI

Lead Machine Learning Engineer · DopikAI

Senior Machine Learning Engineer · Voodoo

Senior Machine Learning Engineer · BNP Paribas Cardif

Machine Learning Engineer · BNP Paribas Cardif

Me contacter

Ailleurs

Réserver Un Créneau

Utile pour

# Jonathan Nguyen

## Réalisé avec

## Raccourcis clavier

## À propos de l'assistant