Avec Quoi Je Travaille
Expérience
Stagiaire Ingénieur IA
Mai 2024 - Août 2025
États-Unis
Recherche sur la performance et l'applicabilité des LLM pour le conseil en investissement et la gestion de patrimoine.
Stagiaire Ingénieur ML
Juin 2023 - Août 2023
Inde
Développé des modèles d'apprentissage profond pour la prédiction des actions financières et la visualisation de données en temps réel.
Stagiaire Recherche ML
Sept 2021 - Nov 2021
Inde
Construit et optimisé des pipelines ML pour la prédiction des coûts de réclamations d'assurance et le traitement de big data.
Stagiaire Analyse SEO
Fév 2020 - Mars 2020
Inde
Géré des stratégies de publicité numérique pour optimiser les conversions pour des cours éducatifs.
Contributeur Open Source
Juin 2024 - Maintenant
J'essaie activement de contribuer à l'Open Source sur mon GitHub
Projets
Hugo Noir
Un thème propre et minimaliste pour Hugo axé sur la lisibilité, la simplicité et le support multilingue.
Apprendre Encore Plus
Système de Réponse d'Urgence pour Voyages
Un système multi-agents sophistiqué exploitant l'architecture Swarm de LangGraph, LangSmith et OpenAI pour coordonner l'assistance de voyage d'urgence via des agents IA spécialisés. Comprend la collaboration multi-agents, la surveillance en temps réel et une architecture modulaire.
Apprendre Encore PlusBlogs
2025-09-07
L'Attention N'Est Pas Tout Ce Dont Vous Avez Besoin. C'Est Comment Vous En Avez Besoin.
Jet-Nemotron repense l'IA en utilisant l'attention seulement quand nécessaire, augmentant dramatiquement la vitesse et la précision par rapport aux modèles traditionnels à attention complète.
2025-08-23
Les LLM sont-ils inutilement énormes ? Compression extrême des LLMs utilisant des réseaux tensoriels inspirés de la physique quantique
Présente une nouvelle approche appelée CompactifAI par Multiverse Computing, qui utilise des réseaux tensoriels inspirés de la physique quantique pour compresser drastiquement les LLMs avec une perte minimale de précision.
2025-08-16
Comment les Modèles d'IA s'Entraînent sur des Données Privées Sans y Accéder : L'Apprentissage Fédéré Expliqué
L'Apprentissage Fédéré (FL) permet aux modèles d'IA de s'entraîner sur des données distribuées sans centraliser les informations sensibles. Au lieu de collecter les données en un seul endroit, FL envoie des copies du modèle à des appareils locaux où ils s'entraînent sur des données privées.