Ingénieur et CEO d'OpenHives AI où je développe des infrastructures pour l'IA et les systèmes — des modèles à l'exécution, avec une exigence forte de souveraineté numérique.

​

À travers ce travail d'ingénierie, je mène une recherche appliquée en machine learning et deep learning, centrée sur l'architecture d'inférence des grands modèles de langage : la manière dont l'état computationnel est produit, transporté, persisté et recomposé à travers les appels, les sessions et les dispositifs.

​

Trois axes : la formalisation théorique, la mesure expérimentale, et l'implémentation concrète. Je publie des papers de recherche, des notes de lecture critiques sur la littérature, des analyses d'architecture de systèmes existants, et des essais où la technique rejoint l'épistémologie.

​

L'inférence n'est pas un canal passif. C'est l'endroit où le modèle existe, où le calcul devient prédiction, et où se concentrent les verrous — mémoire, coût, continuité, souveraineté. C'est là que je travaille.