Je construis des systèmes intelligents qui opèrent dans le monde réel
Je suis spécialiste en apprentissage automatique, en statistiques bayésiennes et en robotique. J'ai fondé NQB, une firme de consultation en intelligence artificielle qui accompagne les entreprises dans la résolution de problèmes complexes grâce à des solutions d'IA sur mesure. J'interviens directement auprès des clients pour encadrer la définition et la mise en œuvre de leurs solutions d'IA, en veillant à ce que les choix techniques servent leurs objectifs d'affaires. Je pilote aussi le développement produit de NQB, où nous bâtissons une plateforme VOIP intégrant des agents vocaux intelligents sur notre propre infrastructure PBX — pensée pour offrir un audio à faible latence, une intelligence conversationnelle en temps réel et une intégration transparente avec la téléphonie d'entreprise. Des années de recherche fondamentale m'ont forgé de solides fondements mathématiques. C'est ce qui me permet de dépasser les approches conventionnelles, de formuler des modèles originaux et de concevoir des algorithmes là où les méthodes existantes ne suffisent pas. Mes travaux ont été publiés dans des conférences de premier plan dont UAI, AAAI et NeurIPS, et sont largement cités par la communauté scientifique. J'ai livré des technologies aujourd'hui en production dans des secteurs variés — de l'inspection industrielle aux sciences de la vie en passant par la transformation alimentaire — pour des organisations comme Medicago, Eddyfi, Thales, Optel et Frontmatec.
Qu'il s'agisse d'un spectre, d'une image, d'un signal ou d'un nuage de points, mon approche reste la même : comprendre les données, poser les mathématiques et concevoir l'algorithme qui résout le problème.
Direction d'une firme de développement en IA axée sur l'application de technologies d'apprentissage automatique pour résoudre des problèmes industriels. Développement des affaires, direction technique et livraison de solutions d'IA de pointe à des clients de divers secteurs industriels.
Conduite de recherches en apprentissage automatique bayésien et réseaux de neurones. Supervision d'étudiants aux cycles supérieurs dans des projets de recherche en apprentissage automatique.
Développement des affaires, marketing et administration d'une firme de développement en IA. Application de technologies d'apprentissage automatique pour résoudre des problèmes industriels.
Direction de projets de recherche et supervision d'étudiants dans des applications d'apprentissage automatique. Développement de solutions de formation en entreprise et de pipelines avancés d'analytique de données.
Développement de systèmes de calibration pour caméras hyperspectrales et profilomètres laser. Conception de modèles de classification pour l'imagerie hyperspectrale et d'algorithmes de suivi multi-objets.
Maintenance et développement du logiciel de publicités de Yelp, analyse de données massives pour la prédiction du taux de clics. Conception d'un service de pipeline d'apprentissage et de tests pour l'optimisation du ciblage publicitaire.
Développement d'une solution avancée de vision 3D utilisant la profilométrie laser pour extraire des repères critiques sur la viande. Des réseaux de neurones profonds pour la segmentation sémantique et la détection permettent de définir des trajectoires de découpe robotisée précises.
Conception d'un pipeline d'apprentissage automatique pour prédire les structures dans des composantes métalliques à l'aide de dispositifs de mesure non destructifs. Apprentissage profond de pointe avec inférence bayésienne, déployé via ONNX.
Prédiction du rendement des plantes à partir de données métabolomiques temporelles mesurées par LCMS. Développement du Reference Concentration Network (RCN) et de la couche VectorizedLinear exécutant des millions de réseaux en parallèle.
Création de signatures numériques uniques à partir d'images de produits en aluminium pour la réidentification fiable d'objets. Pipeline de correspondance robuste fonctionnant sous des conditions variables d'éclairage et de perspective.
Prévision des fluctuations de température dans les baies avioniques d'avions pour Bombardier. Création d'un nouvel algorithme d'inférence variationnelle bayésienne pour estimer l'incertitude du modèle en utilisant des architectures RNN et GRU.
Combinaison de données de charge virale provenant des eaux usées avec des mesures épidémiologiques pour détecter les vagues de COVID-19 à l'avance. Intégration de méthodes de séries temporelles et d'apprentissage profond avec mécanisme d'attention multi-têtes.
Conception d'un programme de recherche de 5,9 M$ avec 4 partenaires industriels (Bombardier, Thales, CAE, Bell Helicopter) répartis dans 5 universités, axé sur la certification de l'IA. Définition de 4 axes de recherche : Robustesse, Interprétabilité, Confidentialité et Certification. Coordination des sous-équipes et direction de la revue de littérature en apprentissage automatique.
Anticipation des besoins hypothécaires des clients à partir de leur historique de transactions pour Desjardins. Supervision d'une équipe de 4 personnes, sélection des architectures (TCN, LSTM, RNN), évaluation de l'efficacité des modèles avec des métriques LIFT et livraison de la solution sur Azure.
Prédiction de la probabilité de décrochage des étudiants par semestre pour l'Université Laval (VREX). Supervision d'une équipe de 2 personnes, conception de l'architecture du réseau de neurones, évaluation de l'efficacité du modèle et assistance au transfert technologique. Construit avec Keras/TensorFlow et scikit-learn.
Développement d'un algorithme de suivi d'avions par caméras RGB à l'INO. Combinaison de processus gaussiens pour le lissage temporel afin de gérer les occlusions avec un réseau de neurones convolutif pour la détection d'avions. Responsable de l'implémentation, de l'intégration et de la validation de performance.
Prédiction du niveau de maturité des champignons par imagerie hyperspectrale à l'INO. Développement des procédures d'acquisition de données, de calibration de caméra, de systèmes de segmentation et d'annotation d'images, ainsi qu'un classificateur propriétaire pour images hyperspectrales. Un brevet a été soumis pour cette technologie.
Prédiction des besoins en eau des plants de basilic par imagerie hyperspectrale à l'INO. Développement des procédures d'acquisition de données, de calibration de caméra, de systèmes de segmentation et d'annotation d'images, ainsi qu'un classificateur propriétaire pour images hyperspectrales.
Reconstruction de modèles 3D de pipelines à l'aide d'un profilomètre laser robotisé à l'INO. Développement d'un filtre bayésien propriétaire (filtre de Kalman étendu) pour les mesures inertielles, de techniques d'imputation de données pour les données laser 3D, et d'un algorithme d'apprentissage pour le positionnement spatio-temporel.
Développement d'algorithmes d'apprentissage non supervisé pour la détection de conditions de santé mentale à partir de données de signaux propriétaires pour diaMentis. Création d'un algorithme d'apprentissage automatique novateur adapté aux besoins du projet, implémenté comme module pour leur plateforme propriétaire d'AA.
Développement d'une bibliothèque complète de réseaux de neurones en C++ pour l'intégration dans un régulateur de vitesse adaptatif basé sur l'apprentissage par renforcement à l'Université Laval. Construction de la rétropropagation, de la descente de gradient, des couches entièrement connectées, des fonctions d'activation et des fonctions de perte à partir de zéro en utilisant Boost et Lapack.
Détection de textures à l'aide d'un doigt robotique avec signaux IMU à l'Université Laval. Développement d'un algorithme d'apprentissage non supervisé novateur (DPMoG) pour identifier les textures sans étiquettes, et d'un classificateur bayésien pour évaluer la performance sur 28 textures de test.
Développement d'un modèle bayésien non paramétrique basé sur le processus de Pitman-Yor pour prédire les séquences de lettres et de mots dans des documents textuels à l'Université Laval. Le prédicteur probabiliste a été utilisé pour compresser des documents, offert comme substitut à rar/zip. Évalué sur le corpus de Calgary.
Détection de surfaces à l'aide d'un IMU monté sur le pied d'un robot marcheur à l'Université Laval. Développement d'un algorithme d'apprentissage non supervisé novateur (PYPMoG) capable d'identifier différentes surfaces sans étiquettes, et d'un classificateur bayésien pour évaluer la performance sur 12 surfaces de test.
Construction d'une nouvelle distribution de probabilité sur les graphes acycliques dirigés infinis à l'Université Laval. Dérivation de modèles mathématiques et d'équations d'inférence bayésienne pour l'échantillonnage de Gibbs et le MCMC afin d'apprendre la structure de réseaux de neurones et de réseaux bayésiens. Supervision d'un assistant de recherche.
Estimation du positionnement relatif de deux drones en vol à l'aide de caméras embarquées à l'Université Laval. Implémentation de l'extraction de marqueurs fiduciaux, d'un filtre particulaire pour l'estimation de position, de l'apprentissage de la dynamique du drone et de la prédiction de positions futures. Construction du contrôle à distance robotique et de la communication avec ROS.
Implémentation de services de gestion et d'analytique de données sur AWS pour cibler les utilisateurs avec des publicités pertinentes. Développement d'un réseau bayésien estimant la probabilité de clic des utilisateurs sur les publicités. Intégration des modèles en production, suivi de la performance, conception de tests A/B et rédaction de tests unitaires.
Direction de la conception scientifique d'un nouveau programme collégial en intelligence artificielle. Définition de l'ensemble des compétences, des sujets de cours et du matériel, des technologies à enseigner et anticipation des besoins en main-d'œuvre de l'industrie de l'apprentissage automatique.
Je suis toujours intéressé à discuter de recherche en IA, de projets d'apprentissage automatique ou de collaborations potentielles. N'hésitez pas à me contacter!