Ingénieur Full-Stack · DevOps · IA / Computer Vision
Master 1 IoT — Université de Franche-Comté (UFC), UFR STGI Montbéliard
Ancien stagiaire FEMTO-ST (CNRS UMR 6174) · Ex Faurecia Seating (FORVIA)
Je conçois des architectures complètes : de l'API haute performance au pipeline Computer Vision embarqué, du RAG médical à l'inférence LiDAR temps réel. Tout ce que je touche, je le ship en prod.
En parallèle, je conduis une recherche fondamentale sur l'informatique post-silicium : l'ALTAY Architecture, publiée sur Zenodo, explore la computation organo-quantique comme successeur thermodynamique inévitable de von Neumann.
🏥 eHosp.fr → Plateforme télémédecine · 1000 users · API <100ms (Lead Architect)
🤖 MedAssist AI → RAG FAISS + Mistral 7B + Agents autonomes + Vision ordonnances
👁️ DORAM R&D → YOLOv8 15FPS drone · PointNet++ 95% accuracy · LiDAR Livox ROS2
🧬 ALTAY Architecture → Manifeste post-silicium · ADN · CRISPR-CPU · Organoids · Mycelium
| 🖥️ Backend & API | 🎨 Frontend | ⚙️ DevOps / Cloud | 🧠 IA / ML / Vision |
|---|---|---|---|
 |
|||
Lead Architect & Developer · Autonomie totale · Stack apprise et maîtrisée en 6 mois
graph TB
subgraph CLIENTS["👤 Clients"]
P[Patient] & M[Médecin] --> F[React / Vue 3 Frontend]
end
subgraph BACKEND["⚙️ Backend Layer"]
F --> GW[Node.js + Express Gateway]
GW --> WS[WebSocket Chat - 50ms]
GW --> REST[40 Endpoints REST - 100ms]
GW --> Q[BullMQ Jobs Queue]
end
subgraph DATA["💾 Data Layer"]
REST --> PG[(PostgreSQL)]
REST --> RC[(Redis Cache)]
Q --> WK[Workers Graceful Shutdown]
end
subgraph AI["🤖 IA Layer"]
GW --> GEM[Gemini 2.0 Triage Auto]
GEM --> LANG[60 Langues détectées]
end
subgraph DEVOPS["☁️ DevOps"]
CI[GitHub Actions CI/CD] --> TF[Terraform IaC - 3000 euros/an]
end
style GW fill:#6366F1,color:#fff
style GEM fill:#10B981,color:#fff
style RC fill:#EF4444,color:#fff
style CI fill:#F59E0B,color:#fff
🔍 Preuve technique — Graceful Shutdown BullMQ (code réel extrait du repo)
async shutdown() {
logger.info('🛑 Arrêt du service de file d\'attente...');
try {
const workerPromises = Object.values(this.workers)
.map(worker => worker.close());
await Promise.all(workerPromises);
const queuePromises = Object.values(this.queues)
.map(queue => queue.close());
await Promise.all(queuePromises);
logger.info('✅ Service de file d\'attente arrêté proprement');
} catch (error) {
logger.error('❌ Erreur arrêt service:', { error: error.message });
}
}
// Écoute des signaux système UNIX — zéro perte de job au redéploiement
process.on('SIGTERM', async () => { await queueService.shutdown(); process.exit(0); });
process.on('SIGINT', async () => { await queueService.shutdown(); process.exit(0); });| 📊 Métrique | ✅ Résultat |
|---|---|
| Connexions simultanées validées en prod | 1 000+ |
| Latence API moyenne | < 100ms |
| API p95 | < 250ms |
| Réduction latence via Redis caching | − 60% |
| Latence WebSocket médical temps réel | < 50ms |
| Endpoints REST documentés | 40 |
| Langues Gemini 2.0 | 60 |
| Économie infrastructure / an vs SaaS | − 3 000 € |
| Capacité queue testée | 10 000+ req/min |
Mistral 7B on-premise · FAISS · GPT-4o Vision · Whisper · 100% Dockerisé
graph LR
U[Médecin / Patient] --> UI[React UI]
UI --> API[FastAPI + LangChain Orchestrator]
API --> AGENT{Agent Central}
AGENT --> RAG[RAG FAISS - Base médicale vectorisée]
AGENT --> LLM[Mistral 7B - Ollama on-premise]
AGENT --> VIS[GPT-4o Vision - Analyse ordonnances]
AGENT --> STT[Whisper ASR - Dictée vocale]
AGENT --> TOOLS[Tools autonomes - Dosages et PubMed]
RAG --> EMB[nomic-embed-text - Embeddings sémantiques]
LLM --> PRIV[100% on-premise - Données protégées]
style AGENT fill:#6366F1,color:#fff
style LLM fill:#10B981,color:#fff
style PRIV fill:#EF4444,color:#fff
Ce que fait l'agent :
- 🔍 Recherche sémantique dans la base documentaire médicale (FAISS + embeddings)
- 💊 Calcul automatique des dosages & vérification des interactions médicamenteuses
- 📄 Extraction et structuration des ordonnances par Vision IA (GPT-4o)
- 🎙️ Dictée vocale Whisper pour les professionnels (multilangue)
- 🔒 Déployé 100% on-premise — zéro donnée patient dans le cloud
PointNet++ · YOLOv8 · LiDAR Livox MID-360 · ROS2 · PyTorch
graph LR
subgraph ACQ["📡 Acquisition Sensorielle"]
CAM[Caméra Drone RGB] --> YOLO[YOLOv8 - Détection 2D]
LID[LiDAR Livox MID-360] --> ENG[rosbag .db3 vers .pcd]
end
subgraph DL["🧠 Pipeline Deep Learning 3D"]
ENG --> PTNET[PointNet++ PyTorch - 2048 pts/frame]
PTNET --> TRAIN[50 epochs - 95% Accuracy]
end
subgraph INF["⚡ Inférence et Fusion"]
YOLO --> FUSE[Fusion Sensorielle]
TRAIN --> FUSE
FUSE --> ROS[ROS2 Node]
ROS --> RVIZ[RViz2 - Rouge=Humain / Gris=Background]
end
style PTNET fill:#8B5CF6,color:#fff
style YOLO fill:#EF4444,color:#fff
style FUSE fill:#F59E0B,color:#fff
🔍 Preuves techniques — CLI réelles du rapport de recherche
# Fine-tuning YOLOv8 (commande exacte issue du rapport de stage)
yolo train \
data=path/to/your_dataset.yaml \
model=yolov8n.pt \
epochs=100 \
imgsz=640 \
batch=8 \
device=0 \
name=my_drone_finetune# Analyse des splits du dataset LiDAR (script exact du projet)
python3 -c "import glob, json; \
[print(split, sum(len(json.load(open(f))['objects']) \
for f in glob.glob(f'{split}/*.json'))) \
for split in ['train','test','val']]"| Pipeline | Résultat |
|---|---|
| 🚁 YOLOv8 drone edge | 15 FPS · − 40% latence système |
| 🎯 PointNet++ (50 epochs) | 95% Accuracy |
| 📡 Capteur LiDAR | Livox MID-360 |
| 🔁 Framework robotique | ROS2 + RViz2 |
| 🛠️ Outil annotation interne | YOLO Annotator Pro (Vue 3) |
| 🏛️ Tuteur académique | Dr. François SPIES — FEMTO-ST CNRS UMR 6174 |
Publication scientifique · Zenodo DOI · Fév 2026 · 3h du matin · Montbéliard
"La biologie est le seul système computationnel qui s'améliore par lui-même, qui se répare sans intervention, et qui évolue sans être reprogrammé. Tout le reste n'est qu'émulation grossière." — Altay CEVIK, ALTAY Architecture v2.0 OMEGA BUILD
Le problème : Les data centers consommeront ~1 000 TWh/an d'ici 2026. Entraîner GPT-4 = 50 GWh = consommation annuelle de 4 500 foyers. La miniaturisation CMOS a atteint sa limite physique absolue (effet tunnel à 2 nm). La solution n'est pas l'optimisation du silicium. C'est son remplacement.
Un stack de 9 couches technologiques biologiques :
┌─────────────────────────────────────────────────────────────┐
│ COUCHE 9 · GOUVERNANCE CONSCIENTE │
│ Humain + BCI → Collapse de la fonction d'onde décisionnelle│
├─────────────────────────────────────────────────────────────┤
│ COUCHE 8 · INTERFACE NEURO-TEMPORELLE │
│ tACS → Hippocampe → LTP → Mémoire de travail amplifiée │
├─────────────────────────────────────────────────────────────┤
│ COUCHE 7 · ORCHESTRATION BIOÉLECTRIQUE │
│ Champs de Levin (Tufts) → Morphogenèse computationnelle │
├─────────────────────────────────────────────────────────────┤
│ COUCHE 6 · QUANTUM ENGINE VIBRONIQUE │
│ Complexes FMO → QML à 310K (sans cryogénie) → 2^N états │
├─────────────────────────────────────────────────────────────┤
│ COUCHE 5 · CALCUL PHOTONIQUE BIOLOGIQUE │
│ Collagène + Optogénétique → THz switching · 0 résistance │
├─────────────────────────────────────────────────────────────┤
│ COUCHE 4 · PROCESSEUR ORGANOID (FinalSpark) │
│ 16 organoïdes × 10 000 neurones → ×10⁶ efficacité énergie │
├─────────────────────────────────────────────────────────────┤
│ COUCHE 3 · RÉSEAU MYCÉLIEN NEUROMORPHIQUE │
│ Memristors fongiques Shiitake (5.85 kHz) · Auto-croissant │
├─────────────────────────────────────────────────────────────┤
│ COUCHE 2 · CRISPR-CPU CELLULAIRE │
│ dCas9 + sgRNA → Portes logiques AND/OR/NOT dans cellule │
├─────────────────────────────────────────────────────────────┤
│ COUCHE 1 · MÉMOIRE ADN SYNTHÉTIQUE │
│ 215 Po/g · 700 000 ans de rétention · Correction d'erreurs │
└─────────────────────────────────────────────────────────────┘
RÉDUCTION ÉNERGÉTIQUE : 1 000 TWh/an → 1 TWh/an
GAIN : − 6 ORDRES DE GRANDEUR
📄 Lire le manifeste complet sur Zenodo →
FEMTO-ST (CNRS UMR 6174), Montbéliard · 24 Fév → 13 Juin 2025 (5 mois)
- Pipeline YOLOv8 temps réel (15 FPS) sur systèmes embarqués drone — −40% latence
- Développement autonome de "YOLO Annotator Pro" (Vue 3 / Tailwind) : annotation d'images RGB, gestion datasets, monitoring des entraînements IA
- Acquisition MQTT / Modbus sur capteurs industriels
- Deep Learning 3D : PointNet++ sur LiDAR Livox (ROS2), accuracy 95%, 50 epochs
- Tuteur académique : Dr. François SPIES — CNRS |
francois.spies@univ-fcomte.fr
Faurecia Seating (FORVIA), Audincourt · Avr → Juin 2024 (3 mois)
- Maintenance préventive et curative des infrastructures réseaux et matérielles critiques
- Production à flux tendu Just-In-Time — haute pression industrielle
- Uptime maintenu > 99,9% — zéro blocage de ligne de production
| 📅 Période | 🎓 Diplôme | 🏛️ Établissement |
|---|---|---|
| 2026 → 2027 | Master 2 IoT | UFC Montbéliard |
| 2025 → 2026 | Master 1 IoT (en cours) | UFR STGI — UFC Montbéliard |
| 2022 → 2025 | BUT IoT | IUT Montbéliard |
🔷 2022–2025 BUT IoT IUT Montbéliard
└─ C/C++, Python, ROS2, MQTT, Modbus, systèmes embarqués
🔷 Avr–Juin 2024 Stage IT Faurecia Seating (FORVIA) — Audincourt
└─ Infra réseau prod · Just-In-Time · 99.9% uptime garanti
🔷 Fév–Juin 2025 Stage R&D Ingénieur — FEMTO-ST CNRS UMR 6174
├─ YOLOv8 drone 15FPS · −40% latence système
├─ PointNet++ LiDAR Livox · 95% accuracy · ROS2
└─ YOLO Annotator Pro (Vue 3 / Tailwind)
🔷 2025–2026 Master 1 IoT UFC Montbéliard
├─ Architecture eHosp.fr (Lead, 1000 users, API <100ms)
├─ MedAssist AI (RAG FAISS + Mistral 7B + Agents)
└─ R&D DORAM (PointNet++ 3D Deep Learning)
🔷 25 Fév 2026 Publication "ALTAY Architecture" — Zenodo
└─ Manifeste post-silicium · Informatique biologique · 9 couches
🔷 Sept 2026 Recherche Alternance (12 mois) — Backend · IA · DevOps · R&D
| 🗣️ Langue | Niveau |
|---|---|
| 🇫🇷 Français | Maternel |
| 🇬🇧 Anglais | Professionnel |
Domaines ciblés :
🤖 R&D IA / LLM / Agents autonomes
🏗️ Backend avancé — Node.js · FastAPI · microservices · architecture distribuée
☁️ DevOps / Cloud / MLOps — K8s · Terraform · CI/CD
🔬 Computer Vision / Robotique — ROS2 · capteurs embarqués
🧬 (Bonus) Deep Tech / Bio-Computing — post-silicium · neuromorphique
Zone géographique : Audincourt · Belfort · Besançon · Bâle (30 min) · Genève (1h30) ·