# Baptiste Blouin

> Ingénieur IA & data scientist, docteur en informatique (NLP, LLM, RAG)
> Site : https://baptisteblouin.fr
> Contact : BaptisteBlouin@proton.me
> Disponible pour de nouvelles opportunités (CDI, freelance, collaboration de recherche)

## Identité

Baptiste Blouin est ingénieur IA et data scientist, docteur en informatique d'Aix-Marseille Université (2022). Il compte 7 ans d'expérience : doctorat en NLP (3 ans), ingénieur R&D sur le projet ERC ENP-China (2 ans et demi), puis produit IA en indépendant avec Aubier (depuis septembre 2025). Il combine une recherche NLP publiée (7 publications à comité de lecture, subvention ERC avancée européenne) avec une pratique solide de l'ingénierie produit IA (RAG en production, LLM, architecture SaaS full-stack). Basé à Aix-en-Provence, France. Langues : français (natif), anglais (professionnel).

## Formation

- **Doctorat en informatique (TAL / machine learning)**, Aix-Marseille Université, 2022
  - Thèse : "Extraction d'événements à partir de fac-similés de documents anciens pour les études en histoire"
  - Directeur : Prof. Benoît Favre, subvention ERC avancée ENP-China (n° 788476)
  - Lien : https://theses.fr/2022AIXM0453

- **Master Informatique (IA/ML)**, Aix-Marseille Université, 2019

- **Licence Informatique**, Aix-Marseille Université, 2016

## Expérience professionnelle

### Ingénieur IA & full-stack · Aubier (indépendant) (Sept. 2025 - présent)
- Conception et développement autonomes d'une plateforme SaaS d'analyse de données par IA, de l'architecture à la mise en production
- Implémentation de systèmes LLM en production : RAG hybride (pgvector + BM25), GraphRAG, RAPTOR, text-to-SQL avec streaming SSE
- Intégration de 22 connecteurs de sources de données (bases relationnelles, ERP et comptabilité, APIs SaaS, S3, scraping web) et pipeline d'extraction documentaire multi-format
- Architecture de sécurité complète : multi-tenant, RBAC, JWT RS256, SSO, 2FA, GDPR, audit logging, billing Stripe
- Conçu pour rendre la donnée accessible aux équipes métier non-techniques : requêtes en langage naturel, extraction automatique de documents (contrats, factures, PDF), assistants IA spécialisés par domaine

### Data scientist & ingénieur ML, Protisvalor · Projet ENP-China · Aix-Marseille Université (Janv. 2023 - août 2025)
- Responsable technique et développeur principal de la plateforme HistText, gestion de projet indépendante ; contribution à l'obtention d'une bourse ERC Proof of Concept pour sa valorisation
- Exploration et résolution de défis ML complexes dans le traitement de textes historiques à grande échelle
- Communication de concepts techniques par ateliers et conférences internationales (NLP4DH 2023, LREC-COLING 2024)
- Collaboration interdisciplinaire avec historiens, linguistes et informaticiens internationaux
- Entraînement distribué de modèles de langue et NLP à grande échelle sur Jean-Zay (IDRIS/GENCI), orchestration SLURM

### Doctorant & scientifique ML, Protisvalor · Laboratoire LIS / IrAsia · Aix-Marseille Université (Sept. 2019 - déc. 2022)
- Recherche indépendante sur subvention ERC avancée européenne, apprentissage auto-dirigé
- Publié 4 articles à comité de lecture pendant la thèse (7 au total), rédaction technique et communication
- Présenté la recherche dans des conférences internationales (PACLIC, NLP4DH, TALN)
- Mentoré et collaboré avec équipes de recherche internationales
- Calcul HPC sur le cluster du LIS, CC-IN2P3 et Jean-Zay (IDRIS/GENCI) : entraînement de modèles de langue et NLP (NER, segmentation de mots, adaptation de domaine)

## Compétences techniques

### Langages de programmation
Python, Rust, JavaScript / TypeScript, Java, C++, R, SQL

### LLM & IA générative
litellm, LangChain, LangGraph, Langfuse, Prompt engineering, Structured output, Routing multi-provider & fallback, RAG, GraphRAG, RAPTOR, Recherche hybride (BM25 + vector), Reranking (cross-encoder), Embeddings, Vector search, VLM (Vision Language Models), Text-to-SQL, Suivi de coûts LLM, Mistral, Gemini, OpenRouter, fastembed, Agents IA, MCP (Model Context Protocol), Claude (Anthropic), PydanticAI, Prompt caching, Évaluation LLM, Garde-fous LLM (détection d'injection)

### Développement full-stack
React, Vue.js, TailwindCSS, D3.js, Shiny, Node.js, FastAPI, Flask, SQLAlchemy, Pydantic, Async Python, REST API, WebSockets, Auth / RBAC, OAuth, pytest / TDD, Playwright, Git, CI/CD, Vite, Shadcn UI, Stripe, Jenkins, Astro, Hono, HTMX, Streamlit, Vitest, ruff / mypy

### Infrastructure & DevOps
PostgreSQL, MySQL, pgvector, Elasticsearch, Apache Solr, Redis, Celery, Alembic, Docker, Nginx, S3 / MinIO, Prometheus / Grafana, OpenTelemetry, GCP, Linux, Jean-Zay / IDRIS, SLURM, CC-IN2P3, Cluster LIS, MongoDB, Docker Compose, structlog, Cloudflare Workers, Cloudflare Pages, Cloudflare D1 / KV, Workers AI / AI Gateway, Cloudflare Tunnel, n8n, GitHub Actions, Sécurité supply chain (SBOM, Trivy), OpenSearch, Loki / Jaeger, AWS (CDK, Lambda, Bedrock Guardrails), SQLCipher

### NLP & traitement de documents
spaCy, NLTK, NER multilingue, Extraction d'événements, Transfer learning, Adaptation de domaine, Segmentation de mots, Annotation de données, OCR (Docling, Google Cloud Vision), Traitement de textes historiques

### Recherche & communication
Publications scientifiques, Méthodologie scientifique, Conception expérimentale, Rédaction technique & publication, Présentations internationales, Revue de littérature, Mentorat, Collaboration interculturelle, LaTeX, ADR (Architecture Decision Records)

### ML & data science
PyTorch, TensorFlow, Hugging Face, scikit-learn, FLAML / AutoML, Sentence Transformers, NetworkX, UMAP, Analyse statistique, pandas, DuckDB, ONNX Runtime

## Projets clés

### Aubier, plateforme Data & IA SaaS (2025 - présent)
Plateforme SaaS d'analyse de données par IA, multi-tenant et en production, conçue et développée seule de A à Z (backend, frontend, infrastructure), couverte par plus de 6 600 tests automatisés. Pipeline RAG hybride (pgvector + recherche full-text, GraphRAG, RAPTOR, reranking cross-encoder), moteur text-to-SQL avec streaming SSE, extraction documentaire multi-format (PDF, DOCX, images via OCR/VLM) et 22 connecteurs async (PostgreSQL, MySQL, MSSQL, Oracle, MongoDB, S3, ERP et comptabilité comme Sage, Cegid et Pennylane, APIs SaaS OAuth2, scraping). Maîtrise des coûts LLM : routing multi-provider (litellm), caching et suivi des coûts (Langfuse). Sécurité LLM de bout en bout : isolation multi-tenant stricte, validation AST du SQL généré, sandboxing du code, RBAC, JWT RS256, SSO, 2FA, chiffrement Fernet, conformité RGPD, audit logging. Observabilité OpenTelemetry/Prometheus, orchestration Celery, prédictions AutoML, billing Stripe.
Stack : RAG hybride, text-to-SQL, GraphRAG, RAPTOR, Maîtrise des coûts LLM, Sécurité LLM, Observabilité, multi-tenant, FastAPI, React, TypeScript, pgvector, litellm, Langfuse, Celery, Docker, Stripe
Lien : https://aubier-data.fr

### baptisteblouin.fr, portfolio et agent IA (2026 - présent)
Ce site, conçu, développé et exploité seul, sert de vitrine en production. Un agent LangGraph (FastAPI, PostgreSQL/pgvector, mémoire de conversation persistée) répond aux recruteurs sur mon parcours, évalue l'adéquation d'une offre d'emploi et prépare un message de contact. Chaîne de fournisseurs LLM à repli automatique (Claude en tête, puis Gemini et Mistral) avec cache de prompt, pour un coût d'inférence sous le demi-centime par réponse. Classifieur d'injection de prompt (ONNX Runtime, 24 ms) retenu parmi 7 modèles comparés : sur un jeu tenu à part, le rappel passe de 10 % à 73 %, sans bloquer aucune vraie question. Évaluation RAG par un juge LLM (ancrage, complétude, absence d'invention) sur 38 cas de référence, 35 réussis, rejouée à chaque changement de modèle ; un moniteur privé en extrait les cas candidats depuis les conversations réelles. Un Worker Cloudflare (Hono, D1, KV, Workers AI, tâches planifiées) expose un serveur MCP public, interrogeable par tout client compatible, ainsi qu'une veille IA quotidienne et un radar des signaux de l'écosystème IA. Monitoring Langfuse auto-hébergé et OpenTelemetry, suivi du coût d'inférence, 20 décisions d'architecture documentées (ADR), intégration continue sur un runner auto-hébergé.
Stack : LangGraph, MCP, Claude, Agents IA, Évaluation LLM, Sécurité LLM, FastAPI, pgvector, Cloudflare Workers, Astro, Langfuse
Lien : https://baptisteblouin.fr

### Applications privées, agents et serveurs MCP authentifiés (2026 - présent)
Quatre applications privées conçues et exploitées seul (FastAPI, HTMX, plus de 3 000 tests) : un screener boursier, une application métier chiffrée au repos, un moniteur de l'agent du site et un tableau de bord d'exploitation. Deux d'entre elles embarquent un agent à outils écrit sans framework et exposent un serveur MCP privé protégé par OAuth, où toute écriture attend une confirmation humaine.
Stack : MCP, OAuth, Agents IA, Claude, Validation humaine, FastAPI, HTMX, DuckDB, SQLCipher, n8n, Docker

### HistText (2023 - 2025)
Plateforme full-stack pour l'analyse de textes historiques chinois à grande échelle (plus de 15 millions de documents, 20 milliards de mots). Backend Rust haute performance, API REST, interface React avec visualisations interactives (graphes réseau, chronologies), moteur de recherche full-text Apache Solr, pipeline NER multilingue, et package client R (histtext) distribué depuis GitLab. Déployée auprès de plus de 200 utilisateurs de la communauté internationale de recherche en histoire numérique dans le cadre du projet ENP-China (subvention ERC avancée), puis soutenue par une bourse ERC Proof of Concept pour sa valorisation.
Stack : Rust, React, Python, R, PostgreSQL, Apache Solr, Docker, NER
Lien : https://histtext.enpchina.eu/
Publication : JDMDH 2024

### EventExtractionPapers (2019 - 2024)
Sélection de ressources NLP dédiées à l'extraction d'événements : papiers, datasets, modèles et code. Référence largement utilisée par la communauté de recherche NLP internationale, avec 580 étoiles GitHub au 3 septembre 2026. Maintenue de 2019 à 2024.
Stack : NLP, Event extraction, Open source
Lien : https://github.com/BaptisteBlouin/EventExtractionPapers

### Applied AI Rig (2026)
Outil en ligne de commande qui installe dans un dépôt le dossier des décisions et des preuves d'un projet embarquant de l'IA : pourquoi ce modèle, quelle évaluation justifie un seuil, quelle limite de coût, quel repli. Un noyau toujours posé (registre de décisions, index de preuves séparant le mesuré de l'estimé et de l'inconnu, manifeste à sommes de contrôle) et cinq modules optionnels choisis d'après les risques du projet. Registres en CSV relus dans une pull request, contrôle structurel en intégration continue. Python 3.10+, publié sur PyPI.
Stack : Python, CLI, Gouvernance IA, Évaluation, CSV, GitHub Actions, PyPI
Lien : https://github.com/BaptisteBlouin/applied-ai-rig

### Tech Brief (2026 - présent)
Miroir public de la veille technologique du site, publié en Markdown bilingue sur GitHub. Un script Node sans dépendance, déclenché deux fois par jour par GitHub Actions, appelle les routes publiques du Worker Cloudflare qui calcule la veille, met en forme le digest d'actualités du jour, puis archive la journée écoulée avec renvois de sources numérotés, navigation entre les jours et index mensuel. Le dimanche, le récapitulatif de la semaine remplace le digest quotidien.
Stack : Node.js, GitHub Actions, Cloudflare Workers, Markdown, Automatisation, Bilingue
Lien : https://github.com/BaptisteBlouin/tech-brief

### ENP-Corpus Creator (2024)
Suite d'outils transformant des images numérisées de journaux historiques en corpus sémantiquement enrichis. Pipeline complet : OCR via Google Cloud Vision, interface d'annotation web interactive avec raccourcis clavier, export aux formats standards (CoNLL, JSON). Conçu pour des documents multilingues complexes (chinois, anglais, français).
Stack : Python, Google Vision API, Web, OCR
Lien : https://enepchina.hypotheses.org/5989

### Dataset NER chinois & pipeline ML (2023 - 2024)
Le plus grand dataset NER de presse chinoise historique annoté à la main pour la période de transition (1872-1949), selon l'article LREC-COLING : 196 documents du Shenbao, 6 491 entités (personnes, lieux, organisations, dates) sur 121 971 caractères, avec liage d'entités et coréférence. Pipeline de contrôle qualité automatisé, benchmarks reproductibles avec modèles BERT fine-tunés, et données librement disponibles pour la communauté.
Stack : Python, PostgreSQL, Annotation, ML pipeline, BERT
Publication : LREC-COLING 2024

### Modèle de langue & tokenisation chinoise (2023)
Fine-tuning de modèles de segmentation pour le chinois transitionnel, en collaboration avec Academia Sinica. Atteint un F-score de plus de 83 %, soit +35 points face au tokenizer Jieba, en explorant différentes stratégies d'adaptation de domaine pour une variété linguistique peu documentée.
Stack : PyTorch, TensorFlow, Tokenisation, Fine-tuning
Publication : NLP4DH 2023

### Simulation OCR & robustesse ML (2022)
Framework d'augmentation de données simulant les artefacts OCR (substitutions, suppressions, insertions de caractères) observés dans les documents historiques numérisés. Réduit l'impact des erreurs OCR de 50 % sur les tâches NER et de classification, avec un benchmark standardisé pour évaluer la robustesse des modèles.
Stack : PyTorch, Transformers, Data augmentation
Publication : TALN 2022

### Transfer learning & adaptation au domaine historique (2021)
Étude des méthodes de transfert de modèles pour la NER sur documents historiques (genres hors domaine, OCR bruité, états anciens de la langue), selon l'effort investi : décrire les données cibles, annoter quelques textes ou choisir les ressources de pré-entraînement. Expériences avec des Transformers sur les corpus historiques LitBank et HIPE : 250 phrases annotées suffisent à retrouver 93 % des performances obtenues avec toutes les données, et les erreurs OCR se traitent en simulant du bruit au pré-entraînement et avec des Transformers sensibles aux caractères.
Stack : BERT, Transformers, Few-shot, Adaptation
Publication : NLP4DH 2021

## Publications (7 à comité de lecture)

1. **HistText: An Application for Leveraging Large-Scale Historical Textbases** (2024)
   Baptiste Blouin, C. Armand, C. Henriot : JDMDH 2024, Journal of Data Mining & Digital Humanities
   https://jdmdh.episciences.org/12536

2. **A Dataset for Named Entity Recognition and Entity Linking in Chinese Historical Newspapers** (2024)
   Baptiste Blouin, C. Armand, C. Henriot : LREC-COLING 2024, Turin, Italy
   https://aclanthology.org/2024.lrec-main.35/

3. **Unlocking Transitional Chinese: Word Segmentation in Modern Historical Texts** (2023)
   Baptiste Blouin, H.-H. Huang, C. Henriot, C. Armand : NLP4DH 2023, Tokyo, Japan
   https://aclanthology.org/2023.nlp4dh-1.11/

4. **Simulation d'erreurs d'OCR dans les systèmes de TAL pour le traitement de données anachroniques** (2022)
   Baptiste Blouin, B. Favre, J. Auguste : TALN 2022 (JEP-TALN-RECITAL), Avignon, France
   https://aclanthology.org/2022.jeptalnrecital-humanum.9/

5. **Transferring Modern Named Entity Recognition to the Historical Domain: How to Take the Step?** (2021)
   Baptiste Blouin, B. Favre, J. Auguste, C. Henriot : NLP4DH 2021, Silchar, India
   https://aclanthology.org/2021.nlp4dh-1.18/

6. **Creating Biographical Networks from Chinese and English Wikipedia** (2021)
   Baptiste Blouin, N. van den Bosch, P. Magistry : Journal of Historical Network Research, Vol. 5, No. 1
   https://jhnr.net/articles/10.25517/jhnr.v5i1.120

7. **Contextual Characters with Segmentation Representation for Named Entity Recognition in Chinese** (2020)
   Baptiste Blouin, P. Magistry : PACLIC 34, Hanoi, Vietnam
   https://aclanthology.org/2020.paclic-1.1/

## Statistiques clés

- 7+ publications académiques
- 7 ans d'expérience
- Conférences et ateliers dans 7 pays (France, Inde, Vietnam, Japon, Italie, USA, Taïwan)
- Subvention ERC avancée européenne (ENP-China, n° 788476)
- 580 stars GitHub au 09/2026 (EventExtractionPapers)
- +35 points de F-score en segmentation du chinois face au tokenizer Jieba (NLP4DH 2023)
- -50 % d'impact des erreurs OCR sur les modèles NLP
- 93 % de récupération de performance en few-shot NER

## Profils en ligne

- Site web : https://baptisteblouin.fr
- LinkedIn : https://www.linkedin.com/in/baptiste-blouin/
- GitHub : https://github.com/BaptisteBlouin
- Google Scholar : https://scholar.google.com/citations?user=UCP_hKIAAAAJ
- HAL : https://cv.hal.science/baptiste-blouin
- ORCID : https://orcid.org/0000-0002-7171-3628
- Thèse : https://theses.fr/2022AIXM0453

## CV en PDF

Le CV généraliste existe en trois longueurs ; chaque profil (2 pages) reprend les mêmes faits, choisis pour une famille de postes.
- CV 1 page (synthèse) : https://baptisteblouin.fr/CV_Baptiste_Blouin_1page.pdf
- CV 2 pages (standard) : https://baptisteblouin.fr/CV_Baptiste_Blouin_2pages.pdf
- CV complet : https://baptisteblouin.fr/CV_Baptiste_Blouin_complet.pdf
- CV ingénieur IA (LLM, agents, full-stack) : https://baptisteblouin.fr/CV_Baptiste_Blouin_ia.pdf
- CV data scientist (NLP, machine learning) : https://baptisteblouin.fr/CV_Baptiste_Blouin_data.pdf
- CV ingénieur de recherche (NLP, machine learning) : https://baptisteblouin.fr/CV_Baptiste_Blouin_recherche.pdf

## Portfolio interactif (baptisteblouin.fr)

Ce portfolio intègre plusieurs outils IA actionnables :
- **Interroger mon portfolio** : assistant IA qui répond aux questions sur le parcours de Baptiste Blouin, avec RAG sur les publications scientifiques. Il évalue aussi une technologie ou une compétence précise, en distinguant ce que le CV atteste de ce qui resterait à acquérir
- **Évaluer votre offre** : scoring d'adéquation entre une offre d'emploi et le profil de Baptiste Blouin

## Serveur MCP (pour assistants IA)

Un serveur MCP public, en lecture seule et sans authentification, sert ces données à un assistant IA (Claude, ChatGPT, agent maison) : https://api.baptisteblouin.fr/mcp
- Transport Streamable HTTP, sans état ; spécification 2026-07-28 et clients 2025 (2025-11-25 et antérieures)
- Outils : get_profile, list_projects, search_private_projects, search_publications, get_veille, search_veille, get_radar, analyze_skill, evaluate_job_offer ; données bilingues (paramètre lang = fr | en)
- Une compétence précise : analyze_skill dit si elle est déclarée dans le CV, servie dans un projet privé, citée dans un projet ou absente, et sinon ce qu'il maîtrise de proche
- Ses projets privés (dépôts non publiés) : search_private_projects rend leurs fiches relues, compétences, pile et résultats, sans lien ni accès
- Évaluer une offre : evaluate_job_offer rend la grille de l'outil d'évaluation du site et les pièces du profil ; l'assistant rédige l'évaluation lui-même, aucun modèle n'est appelé côté serveur
- Dans Claude : Customize > Connectors > Add custom connector, URL ci-dessus, sans authentification