Une application pour le métier
Recherche produit, ventes et remboursements par circuit, décomposition de la croissance par prix, volumes et structure, parcours HAS et accès dérogatoires, exports CSV/Excel et fiche produit PDF.
Actuellement · CEPS, Paris
Alex Komla LabouData & AI Engineer.
Je relie les données, les modèles et le métier pour construire des systèmes IA que l’on peut vérifier.
Data engineering, machine learning et agents IA — avec la statistique pour fondation et l’évaluation comme exigence.
AL
Alex Komla Labou
Data · ML · Agentic AI
- Formation
- ENSAI Rennes · ENSAE Dakar
- Spécialité
- Data · ML · IA agentique
- Langues
- Français · Anglais
PythonSQLDuckDBBigQuerydbtFastAPINext.jsTypeScriptPyTorchLightGBMLangGraphHugging FaceFAISSGCPCloud RunTerraformDockerGitLab CI
01 — Projet professionnel · Juin 2026 — présent
Une plateforme complète. Chaque chiffre justifiable.
Au CEPS, je conçois et développe seul une plateforme de données et son application métier, en dialogue avec les équipes et la DNUM.
CEPS Data Platform& CEPS Explorer
PythonDuckDBFastAPINext.jsTypeScriptSQLGitLab CI
Pour négocier le prix des médicaments, les équipes doivent croiser ventes, remboursements, hôpital, remises et parcours réglementaires. Le point de départ : des fichiers dispersés et des identifiants concurrents.
J’ai construit une chaîne qui fiabilise ces sources, conserve leur historique et restitue les analyses dans une application unique.
sources intégrées
lignes en base · 6,4 Go
vues SQL métier & qualité
tests automatisés
Volumétries au 30 septembre 2026
Une traçabilité de bout en bout
442 fichiers tracés par SHA-256, 675 exécutions d’import journalisées et 3 922 anomalies qualité détectées. Sources préservées, imports transactionnels, corrections validées par un humain.
- 01SourcesExcel · CSV · PDF
- 02IngestionPython
- 03EntrepôtDuckDB · 65 tables
- 04APIFastAPI · read-only
- 05ApplicationNext.js · Explorer
02 — Projets, stages & recherche
De la prédiction à la décision.
Des projets de bout en bout, où les modèles rencontrent les contraintes de fiabilité, de déploiement et d’usage.
01 / DATA → DECISIONValidation GCP
RetailOps AI
Une plateforme de prévision de demande qui transforme les données M5 en scénarios de stock, explications et recommandations soumises à une décision humaine.
BigQuery · dbtLightGBM · SHAPLangGraph · GeminiCloud Run
0.771RMSSE moyen au niveau des séries individuelles · validation à 28 jours
RMSSE moyen · plus bas = meilleur
LightGBM0.771
Naive last0.952
Seasonal 70.976
Seasonal 281.006
Même fenêtre de validation · 2 744 100 lignes d’entraînement · hors WRMSSE officiel M5
02 / UN WFP · BIOMETRICS
Stage · Programme alimentaire mondial
Stage · Programme alimentaire mondialWFP Biometric Deduplication
Un prototype interne de déduplication d’empreintes digitales pour que chaque bénéficiaire de l’aide humanitaire ne soit inscrit qu’une fois : extraction des minuties par deep learning (MinutiaeNet) et matching inspiré de Bozorth3, porté en Python.
PythonMinutiaeNet · CNNBozorth3 · graph matchingSOCOFing
4.34%EER en vérification 1:1 · AUC 0,981 · Rank-1 94,5 %
Identification 1:N · base fermée
Rank-194,5
Rank-596,9
Rank-1098,4
Vérification 1:1
EER
4,34 %
AUC
0,981
TAR @ FAR 1%
90,9 %
TAR @ FAR 0.1%
70,3 %
SOCOFing · 747 comparaisons authentiques, 24 611 imposteurs
03 / EVIDENCE-GROUNDED AIBêta privée
JobCopilot
Un assistant de candidature qui relie chaque affirmation à un fait de profil vérifié, puis prépare un dossier que l’utilisateur peut relire et superviser.
LangGraphFAISS · PydanticStreamlitGmail · Calendar
121/121affirmations étayées · benchmark gelé de 50 cas
Le parcours d’une candidature
- 1Profil vérifié par l’utilisateur
- 2Recherche de preuves pertinentes
- 3Matching & registre de preuves
- 4Brouillon relu avant action
Les faits viennent du profil. Le modèle sélectionne les preuves.
04 / RELATION INTELLIGENCE
Modèle V1 évalué
Modèle V1 évaluéRelationScope NLP
Identifier les relations entre entités, calibrer la confiance et s’abstenir face à une relation inconnue. Un projet issu d’un travail ENSAI avec Maxime Ferret.
ModernBERTPyTorch · FastAPINext.jsGCP · Terraform
89.16%Macro-F1 · test des 56 relations connues du protocole open-set
Exemple illustratif · extraction de relation
Marie CurieHEAD a découvert le poloniumTAIL.
open-setKNOWNUNKNOWN → abstain
Une décision calibrée, avec la possibilité de s’abstenir.
05 / AGENT EVALUATIONProtocole de recherche
EviSuff Finance
Un agent change-t-il sa réponse quand une preuve indispensable disparaît ? Un protocole contrefactuel pour étudier la suffisance des preuves dans les longs documents financiers.
Counterfactual evaluationAbstention · calibrationPython · CI
4conditions appariées : complet, preuves seules, retrait nécessaire, retrait non pertinent
Un même problème, quatre contextes
FULL
Toutes les preuves
GOLD ONLY
Preuves suffisantes seules
NECESSARY REMOVAL
Une preuve critique manque
IRRELEVANT REMOVAL
Un distracteur disparaît
Schéma du protocole · aucun résultat empirique revendiqué.
06 / CLOUD-TO-EDGE · RL
Projet de fin d’études · ENSAI × IRISA
Projet de fin d’études · ENSAI × IRISASmart Bidding
Où exécuter une fonction serverless entre cloud, fog et edge ? Une enchère inversée de Vickrey (GIRAFF), des heuristiques gloutonnes et un agent Dueling Double DQN comparés dans le simulateur FaaS-Sim. Projet d’équipe avec Richard Gozan et Lynn Siewe.
Python · FaaS-SimReverse Vickrey auctionDueling Double DQNMDP · action masking
100%SLA acceptées par l’agent DQN, contre 92,8 % pour GIRAFF · topologie de 27 nœuds
Charge mixte · topologie de 27 nœuds
SLA acceptées%coût moyen
RL (DQN)100,00,99
Edge-Furthest93,21,08
GIRAFF92,81,22
Edge-First87,61,67
Edge-Ward84,61,48
Coût moyen par SLA acceptée, en millièmes d’euro · rapport de PFE, tableau 1
Aussi
Voir le codeIMDB Data Platform
Ingestion TSV → Parquet → GCS → BigQuery, traitement par chunks et couche bronze reproductible.
03 — Parcours
Des fondations solides. Des contextes exigeants.
Des données du médicament aux empreintes digitales : travailler avec un contexte métier, des contraintes réelles et des critères d’évaluation explicites.
- Juin 2026 — présentParis, FranceCEPS
Data Science & Data Engineering · Stage
CEPS · Comité économique des produits de santéConception et développement, portés seul, de la CEPS Data Platform et de CEPS Explorer : ingestion de 15 sources, historisation, qualité, analyses économiques, API FastAPI et interface Next.js. Cadrage du déploiement interne avec la DNUM.
Python · DuckDB · FastAPI · Next.js · SQL · GitLab CIÉtude de cas - Juil. — Déc. 2025Rome, Italie
Data Scientist · Stage
Programme alimentaire mondial · Nations UniesPrototype de déduplication d’empreintes digitales pour l’identification des bénéficiaires. Pipeline hybride d’extraction de minuties avec MinutiaeNet et de matching inspiré de Bozorth3, avec analyse des seuils et de la robustesse.
SOCOFing · EER 4,34 % · AUC 0,981 · Rank-1 94,5 %Étude de cas - Avr. — Juin 2024Dakar, SénégalCES
Assistant de recherche
Cabinet des Experts StatisticiensAccompagnement méthodologique, nettoyage et analyse de données, interprétation des résultats et structuration de rapports statistiques.
- Sept. — Oct. 2022Dakar, SénégalANSD
Data Analyst · Stage
ANSD · Agence nationale de la statistique et de la démographieAnalyse exploratoire et contrôle qualité de données d’enquête. Étude des déterminants sociodémographiques de la migration avec une régression logistique.
Formation
ENSAI Rennes
2024 — 2026Data Science & Data Engineering
Machine learning, deep learning, NLP, cloud et ingénierie des données.
ENSAE Dakar
2020 — 2024Diplôme d’ingénieur en Statistique & Économie
Statistique, économétrie, inférence et analyse d’enquêtes.
04 — Manière de travailler
La confiance se construit.
01 / DATA
Une base que l’on peut vérifier.
Structurer les sources, expliciter les contrats et tracer les transformations avant de demander au modèle de produire une réponse.
02 / EVALUATION
Un résultat avec son contexte.
Comparer à des baselines, séparer calibration et test, documenter les erreurs. Une métrique n’a de sens qu’avec son protocole.
03 / PRODUCT
Une décision supervisée.
Donner à l’utilisateur des preuves, des limites et des outils compréhensibles. Garder une revue humaine quand la décision le nécessite.
Boîte à outils
AI / ML / NLP
PythonPyTorchTensorFlowscikit-learnHugging FaceLightGBMLangGraphFAISSPydantic
Data / Cloud / Delivery
SQLDuckDBBigQuerydbtFastAPINext.jsDockerGCPAWSTerraformGitHub ActionsR Shiny
05 — Contact
Et si on construisait la suite ensemble ?
IA appliquée, machine learning, systèmes agentiques et recherche orientée évaluation. Écrivez-moi directement.