Des modèles qui doivent compiler. Des robots qui doivent tenir debout.

1. Août 2026 — Oct. 2026

   ZML

   Ingénieur logiciel · Paris

   • Portage de grands modèles d'IA vers la pile d'inférence de ZML, développée en Zig.
   • Adaptation des architectures et des opérateurs pour assurer une compilation et une exécution efficaces sur accélérateurs.
   • Travail sur toute la chaîne, du chargement des poids à la compilation et à l'inférence.

2. Oct. 2024 — Juil. 2026

   Arago

   Ingénieur logiciel, accélérateurs IA · Paris

   • Un chemin PyTorch vers un accélérateur photonique : noyaux, placement du graphe et moteur d'exécution hôte.
   • Dispatch firmware, files de commandes, et le travail pilote qui porte ce chemin.

   Voir plus

   Une pile d'accélération pensée d'abord pour PyTorch et pour les habitudes réelles des équipes d'IA.

   Problème

   Une multiplication matricielle photonique n'est qu'un noyau. Le produit doit assurer tout le trajet : de PyTorch au moteur d'exécution et au firmware, puis de nouveau vers des tenseurs utilisables normalement.

   Ce que j'ai construit

   Abaissement par le compilateur, moteur d'exécution côté hôte, chemins pilotes, allocation rapide, transferts entre accélérateurs, files de lancement et dispatch firmware.

   Point délicat

   Des régions de graphe ou des opérations isolées partent sur les accélérateurs, se décomposent en graphes de primitives, s'exécutent sur les cœurs mono, puis reviennent à PyTorch via des événements. Le tout doit rester familier pour une pile d'accélération classique.

   PyTorch · Moteur d'exécution · Firmware · Accélérateurs

   Pourquoi il n'y a pas de dépôt →

   Schéma d'exécution

   Graphe PyTorch → découpage par le compilateur → exécution multi-accélérateur

   01

   Graphe de calcul PyTorch

   • Les opérations ATen forment un véritable graphe de dépendances
   • Les arêtes de tenseurs indiquent où placer le calcul
   • Les régions accélérables sont isolées avant l'exécution

   02

   Compilateur + moteur d'exécution hôte

   01 Abaisser le graphe

   02 Répartir le calcul

   03 Planifier les lancements et transferts

   03

   Exécution par accélérateur

   sous-graphe A

   Accélérateur 0

   région -> DAG de primitives

   Sessions d'exécution

   file 0 file 1 file 2

   Graphe primitif sur l'accélérateur

   Cœur de contrôle

   Unité de calcul laser

   Synchronisation + événements matériel

   PCIe / interconnexion des accélérateurs

   sous-graphe B

   Accélérateur 1

   nœud ou région -> DAG de primitives

   Sessions d'exécution

   file 0 file 1 file 2

   Graphe primitif sur l'accélérateur

   Cœur de contrôle

   Unité de calcul laser

   Synchronisation + événements matériel

   Schéma simplifié — termes publics et génériques uniquement

3. Sept. 2023 — Sept. 2024

   EyePick

   Ingénieur en apprentissage automatique · Paris

   • Développement de chaînes de vision par ordinateur pour l'automatisation robotique en temps réel : industrie, agriculture et cuisine.
   • Détection d'anomalies et classification d'images pour le contrôle qualité.
   • Adaptation de modèles ResNet lorsque les chaînes de type YOLO posaient des contraintes de licence.

4. Mars 2023 — Sept. 2023

   Wandercraft

   Stagiaire en apprentissage par renforcement · Paris

   • Entraînement de politiques de contrôle par RL pour le robot bipède Cassie et l'exosquelette Eve.
   • NVIDIA Isaac Gym et Ray RLlib pour la simulation parallèle et l'entraînement distribué.
   • Transfert sim-to-real avec apprentissage par imitation, adaptation de domaine et adaptation visuelle.

5. Juin 2022 — Sept. 2022

   Poppins (anciennement Mila)

   Stagiaire en algorithmes d'IA · Paris

   • Difficulté adaptative pour un jeu thérapeutique destiné aux enfants dyslexiques.
   • Clustering et métriques de jeu pour ajuster la difficulté sans retour explicite des enfants.
   • Travail sur l'algorithme et son intégration dans le jeu.

• TensorTorrentCompilateur PyTorch et runtime Rust pour l'inférence multi-CPU et multi-GPU.Python · ★ 2
• ClothesChangerSegmente une personne et ses vêtements, puis génère une nouvelle tenue avec Stable Diffusion.Python
• GenericImageClassifierEntraîne un classifieur d'images depuis un ZIP rangé par dossiers, par transfert en PyTorch.Python
• ChessÉchecs en Pygame, avec les règles complètes, minimax, alpha-beta, et une API de plateau pour l'apprentissage par renforcement.Python
• SourceSeparationU-Net PyTorch qui extrait une voix chantée d'un mélange musical.Python
• BahdanauNMTRéimplémentation PyTorch de l'attention de Bahdanau pour la traduction automatique.Jupyter Notebook · ★ 2
• ViTHilbertPatchesVision Transformer qui ordonne les patchs sur une courbe de Hilbert, pour que l'attention locale garde leur voisinage 2D.Python
• ContextifyRéunit un dépôt en un seul paquet de contexte : arborescence, source, fichiers et nombre de tokens.Python · ★ 1

D'autres expériences sont disponibles sur GitHub.

• 28 mai 2026

  La récompense montait, pas la qualité

  Un entraînement de Cassie a atteint un nouveau record à 3 h 14. Le score était bon, pas la démarche. Tout le problème tient dans cet écart.

• 2 avr. 2026

  L'économie en sablier

  L'IA pourrait favoriser deux formes d'organisation : les très grandes entreprises qui possèdent l'infrastructure et les petites structures capables de fonctionner avec beaucoup moins de frais.

• 18 mars 2026

  Le plombier avait raison

  Un plombier a réparé mon évier en quarante minutes pendant que je passais deux jours sur un bug d'allocateur. Ce contraste a changé ma façon de voir le travail utile.

Tout le carnet