nanuq est mon atelier de développement logiciel et d'intelligence artificielle. J'y conçois des produits complets — de l'automatisation d'un flux métier jusqu'au SaaS multi-tenant — avec la même exigence qu'en architecture d'entreprise.
Architecte logiciel depuis plus de vingt ans, je conçois des systèmes d'entreprise en .NET / C# et Python : capture d'e-mails, traitement documentaire, intégrations OCR et API métier pour des environnements exigeants en fiabilité.
Cette exigence, je l'applique aussi bien aux plateformes que je conçois en entreprise qu'à mes projets personnels — automatisations, applications temps réel, outils sur mesure. nanuq est l'espace où je les rassemble. Je complète cette pratique par le cursus AI Engineer d'OpenClassrooms — titre RNCP niveau 7 « Expert en ingénierie et science des données » — pour ancrer dans un cadre formel ce que je construis déjà : mise en production de modèles, systèmes RAG, agents, MLOps.
Le nom vient de l'ours polaire : un animal solitaire, méthodique, parfaitement adapté à un environnement difficile — une image qui me convient bien pour designer et coder en dehors des sentiers battus.
Quatre applications conçues et développées seul, de l'architecture au déploiement. Les deux plateformes documentaires sont des produits d'entreprise, menés de bout en bout pour Arondor ; les autres sont des projets personnels.
Une plateforme de traitement documentaire intelligent, entièrement auto-hébergée : les documents arrivent par mail, FTP, S3 ou dépôt manuel, sont lus, classés, puis leurs données extraites et validées avant export vers le système métier. Toute la chaîne — stockage objet, base, file de messages, moteur OCR, modèles d'embeddings — tourne sur l'infrastructure du client, sans dépendance à un cloud américain. Le recours à une IA externe reste un choix par type de document, jamais un prérequis.
Un assistant de publication multi-canal pour collectivités : les annonces arrivent par e-mail relevé automatiquement, ou par saisie directe (texte, PDF, images). Un modèle de langage les modère, en extrait la date de l'événement, puis rédige une version adaptée à chaque canal — site Joomla, Facebook, Instagram, application citoyenne et écran d'affichage en mairie. Rien ne part sans validation humaine. La difficulté n'était pas de publier, mais de faire tenir ensemble cinq API aux exigences contradictoires, sans jamais qu'une défaillance de l'une n'empêche les autres de fonctionner.
Un blind test multijoueur pour animer des soirées : les joueurs rejoignent en scannant un QR code, l'animateur pilote depuis un grand écran, tout se synchronise par WebSocket sans rechargement. Trois modes de jeu, dont une frise chronologique à la Hitster où les équipes placent les morceaux dans le temps. La difficulté n'était pas le jeu, mais la donnée : constituer un catalogue musical fiable, daté à l'année près, et jouable sans dépendre d'une API en pleine partie.
Une plateforme SaaS de traitement intelligent de documents, entièrement serverless. Les fichiers arrivent par dépôt S3, e-mail ou application mobile, puis traversent un pipeline orchestré : détection de format, conversion, OCR, découpage en documents distincts, classification, extraction des champs, validation humaine et export vers le système métier. Aucun serveur à administrer — la facturation suit l'usage réel, et la chaîne encaisse les pics d'ingestion sans redimensionnement manuel.
Les plateformes présentées plus haut ne sortent pas de nulle part. Depuis 2000, je conçois des systèmes qui capturent, lisent et classent des documents — GED, LAD/RAD, OCR, dématérialisation — d'abord chez des éditeurs et intégrateurs, puis comme architecte. L'IA n'a pas changé le problème, elle a changé les outils disponibles pour le résoudre. C'est cette continuité qui me permet de savoir ce qu'un modèle de langage apporte réellement à une chaîne documentaire — et ce qu'il n'apporte pas.
Plateformes de traitement documentaire : capture web LAD/RAD, numérisation de factures à l'échelle mondiale avec extraction vers un endpoint unique, applications AWS. Architecture, réalisation, management technique. C'est dans ce cadre que j'ai conçu et développé seul FlowerScan puis Alambic, présentés plus haut. Projets livrés pour CMA-CGM, le Crédit Agricole, BNP, Generali.
Mise en application de recherche fondamentale en IA/ML. Refonte d'un logiciel scientifique de génération d'horaires vers une architecture hybride (frontend dissocié, conteneurisation, cloud). Chatbot de recherche sémantique (LangChain, Llama), enrichissement documentaire dans ElasticSearch.
Gestion des flux de données d'entreprise : applications web, mobiles et APIs. En parallèle, conception d'un logiciel de traitement d'e-mails pour extraction et intégration en GED, et modules spécifiques pour Kofax Capture.
Avant-vente, analyse de besoins, définition d'architectures, supervision d'équipes R&D internes et prestataires. Audit d'infrastructures. Interventions chez Cofinoga, le Crédit Agricole, Air France.
Refonte complète du système GED : étude préalable, architecture SOA (moteur J2EE, frontal .NET), développement des modules moteurs, industrialisation. Consolidation et uniformisation technique de systèmes aux métiers divergents.
Conception d'« Octopus Navigator », outil de consultation interrogeant plusieurs systèmes de GED et d'archivage depuis une interface unique. Modules et connecteurs pour Kofax / Ascent Capture. Clients : TF1, EADS, Arcelor Mittal, Banque Générale du Luxembourg.
Master Génie du traitement de l'information (AFCEPF, 2000) · Master in International Business, Technical Pre-Sales & Marketing (DBS Lille, 1997) · Cursus AI Engineer, titre RNCP niveau 7 (en cours).
AWS Certified Cloud Practitioner. Environnements de prédilection : Python, .NET, Java, AWS, Docker, bases SQL, NoSQL et vectorielles.
Que ce soit pour un outil sur mesure, une intégration IA ou une refonte d'architecture, je suis disponible pour en discuter.
Écrire à nanuq