Simon STEPHAN

Expert Ph.D. en Intelligence Artificielle et Ingénieur Logiciel Senior avec 14 ans d'expérience, je me spécialise dans la création de systèmes d'IA hybrides, robustes et explicables. Mon expertise unique combine l'IA Neuro-Symbolique, les Systèmes Multi-Agents (MAS) et les Graphes de Connaissances pour résoudre des défis industriels complexes dans des secteurs critiques comme la Santé, l'Énergie et la Logistique.

Au-delà de la recherche, je suis un bâtisseur : j'ai conçu des pipelines RAG optimisés, migré des modèles de vision vers CUDA pour des gains de performance de 98%, et dirigé des équipes techniques vers l'excellence opérationnelle. Mon objectif est de transformer les percées algorithmiques en produits industriels scalables et à haute valeur ajoutée.

Ancien DSI et fondateur d'entreprise , j'apporte une vision stratégique du cycle de vie logiciel (SDLC) et une passion pour le mentorat technique.

Expert Ph.D. en Intelligence Artificielle et Ingénieur Logiciel Senior avec plus de 14 ans d’expérience , votre parcours se distingue par votre capacité à combler le fossé entre la recherche de pointe et la mise en production industrielle.

• IA Neuro-Symbolique et Systèmes Agentiques : Spécialiste des architectures hybrides, des Systèmes Multi-Agents (MAS) et des Graphes de Connaissances (GNN/Neo4j) pour améliorer l'explicabilité et la prise de décision complexe.
• Architecture et Industrialisation de l'IA : Expertise reconnue dans la transformation de prototypes de R&D en produits industriels évolutifs, augmentant la fiabilité des systèmes jusqu'à 30%.
• Ingénierie de Haute Performance (HPC) : Expert en optimisation d'algorithmes utilisant Python, Rust, C++ et CUDA/GPU pour le traitement de données à haute fidélité en temps réel.

Projet de Recherche Doctoral : IA Hybride & Oncologie (2022-2025)

Ma thèse porte sur le développement d'une méthodologie innovante pour l'identification de cibles thérapeutiques en oncologie. J'ai conçu une architecture hybride unique qui fusionne le raisonnement logique et l'apprentissage profond.

Composantes technologiques clés :

• Modélisation de Connaissances : Utilisation d'ontologies formelles pour structurer et enrichir les réseaux biologiques complexes.
• Deep Learning sur Graphes : Prédictions avancées via des réseaux GCN (Graph Convolutional Network) et GAT (Graph Attention Network) pour analyser les interactions cellulaires.
• Systèmes Multi-Agents (MAS) : Simulation dynamique des voies de signalisation biologiques pour modéliser des processus vivants complexes.

Résultats & Impact :

• Explicabilité : Résolution des problématiques de "boîte noire" en liant les prédictions neuronales au raisonnement logique des ontologies.
• Performance : Création d'un simulateur haute-fidélité atteignant un taux de précision prédictive de 85%.
• Innovation : Validation d'une approche capable d'accélérer la découverte de traitements grâce à l'enrichissement automatisé des connaissances biologiques.