Ingénieur logiciel et machine learningCTO, MYTEAM.aiRégion parisienne

Mouadh Bouali

Je construis les systèmes qui font tourner l’IA appliquée, du modèle jusqu’à l’écran de l’opérateur.

  • Ingénierie produit
  • Infrastructure ML
  • IA appliquée
  • Recherche

Du logiciel, de bout en bout.

Ingénieur près de Paris, je suis CTO de MYTEAM.ai, une petite entreprise d’IA où j’écris et relis encore le code. Je dirige une plateforme d’analyse vidéo, de son event store jusqu’à ses chemins de déploiement Kubernetes et Jetson, je construis des produits LLM où une personne garde la main, et je mène la recherche qui décide de ce qui est prêt.

Voir les projets
Rôle
CTO / Responsable technique, MYTEAM.ai, depuis juin 2026
Intervient sur
Ingénierie produit, infrastructure ML, IA appliquée, recherche
Langages
Python, TypeScript, C#
Plateformes
PostgreSQL, Docker, Kubernetes, ArgoCD, NVIDIA Jetson
Formation
Télécom SudParis, Institut Polytechnique de Paris : diplôme d’ingénieur, 2025
Langues
Arabe, français, anglais · allemand (B1)
Basé à
Cachan, région parisienne, France
Projets choisis · 05 projets

Projets choisis

Trois produits et deux programmes de recherche, avec pour chacun mon rôle et son état actuel.

01Plateforme d’analyse vidéoMYTEAM.ai

Avertix

Des flux caméra en entrée, des alertes vérifiées en sortie.

Traitement des événements et des alertes sur FastAPI et PostgreSQL, une console React pour les opérateurs, et un worker d’inférence unique empaqueté pour des nœuds GPU cloud et pour des appareils Jetson à côté de la caméra, livrés via des contrôles CI, ArgoCD et des déploiements canary.

Rôle
Responsable technique opérationnel
Statut
Plateforme de l’entreprise ; environnement de démonstration GPU exploité ; chemin Jetson empaqueté
Technologies
Python, FastAPI, PostgreSQL, React, TypeScript, Docker, Kubernetes
Chemin d’exécution
  • Piloté par moi
  • Hors plateforme
  1. Sources caméraAjoutées et diagnostiquées depuis la console
  2. Worker d’inférenceUne seule base de code, empaquetée pour les GPU cloud et pour Jetson sur site
  3. Plan de contrôleFastAPI sur PostgreSQL ; événements immuables et versionnés
  4. Projections d’alertesÉcrites dans la même transaction ; cycle d’acquittement
  5. Avertix ControlConsole React et TypeScript pour les opérateurs

02Cockpit opérateurApplication local-first

Ana Concierge OS

L’assistant propose. Une personne approuve.

Une application local-first pour le suivi de dossiers, les validations et une base de connaissances gouvernée. Chaque tour de l’assistant est reconstruit depuis la base de données, ne peut citer que des passages réellement récupérés, et transforme toute action en proposition qui attend une personne.

Rôle
Seul développeur
Statut
Socle local fonctionnel ; aucune action sortante, par conception
Technologies
TypeScript, React, Fastify, PostgreSQL, zod, Vitest
Un tour de l’assistant
  • Construit par moi
  • Une personne ou un modèle
  1. Un opérateur pose une question sur un dossierPersonne
  2. Contexte reconstruit, passages récupérés dans le périmètreServeur Ana
  3. Un modèle rédige un JSON conforme au schémaExécuteur borné : pas de shell, pas d’outils généraux
  4. Citations et périmètre vérifiés ; proposition hachée et mise en fileServeur Ana
  5. Une personne approuve ou rejette ; la décision est tracéePersonne

03Assistant de réservation de groupesMYTEAM.ai

Livia

Livia répond aux demandes de réservation de groupe des restaurants sur WhatsApp. Je travaille sur son agent conversationnel au sein de l’équipe MYTEAM.ai.

Rôle
Ingénieur sur l’agent conversationnel, en équipe
Statut
Produit en production

Recherche

Deux programmes, chacun avec une présentation publique

04Recherche collaborativeTransFlower et V-JEPA

Modèles vidéo

Deux branches, une décision, puis un test hors domaine.

TransFlower, un modèle Transformer-CNN à double branche accepté pour une présentation orale à KES 2026, associe une branche Transformer VideoMAE à une branche I3D RGB et flux optique. J’ai pris en charge une grande partie de la branche Transformer, développé la branche I3D et intégré les deux dans un même chemin d’inférence. J’ai ensuite mené les expériences ultérieures avec des représentations V-JEPA figées sur des vidéos de caméras absentes des données d’entraînement.

Rôle
Co-auteur : branche Transformer, branche I3D, intégration hybride
Statut
Article accepté à KES 2026 ; résultats externes exploratoires
TransFlower : deux branches, une décision
  • Mon travail
  • Pré-entraîné

Branche Transformer

  • Encodeur VideoMAE pré-entraîné
  • Agrégation des tokens par attention apprise
  • Attention entre les clips
  • Tête de classification adaptative

Branche mouvement

  • I3D RGB et flux optique
  • Chemin d’inférence hybrideLes deux branches combinées en une seule décision

Campagne ultérieure

  • Représentations V-JEPA figées
  • Têtes de lecture testées sur des vidéos d’autres caméras

05Recherche indépendanteApprentissage auto-supervisé tabulaire

T-JEPA

Rendre l’effondrement mesurable avant de le modifier.

Diagnostics d’effondrement et repondération des résidus, construits sur une implémentation ouverte de T-JEPA. La modification a avancé la sortie de l’effondrement dans les six comparaisons appariées ; la qualité en aval est restée mitigée, l’étude rapporte donc un effet sur le moment de la transition, pas un gain de qualité.

Rôle
Chercheur indépendant, prolongeant la méthode d’origine
Statut
Recherche ; présentation publique en ligne
L’étude
  • Mon travail
  • Méthode d’origine
  1. Implémentation ouverte de T-JEPA
  2. Diagnostics d’effondrement sur la dynamique et la géométrie
  3. Repondération résiduelle de l’objectif
  4. Comparaisons appariées, avec contrôles
Compétences · cinq couches

Au cœur de la pile

Regroupées selon ce que chaque couche rend possible, avec les projets où elles ont servi.

Cinq couches, de ce qu’une personne voit jusqu’à la mise en production. Chacune a son motif ; la couche que vous lisez s’allume.
01

Interfaces

Les personnes voient ce que fait un système, et peuvent agir.

  • Consoles opérateur en React et TypeScript, couvertes par des tests de composants, de bout en bout et d’accessibilité automatisés. Avertix
  • Interfaces d’assistant qui montrent les citations, l’incertitude et les validations en attente au lieu de les cacher, avec un mode synthétique pour explorer sans risque. Ana

OutilsReact, TypeScript, TanStack Query, zod, Vitest, Playwright, axe ; Angular (2023)

02

Systèmes

Le comportement reste correct même quand l’un des composants est un modèle de langage.

  • Stockage event-sourced : événements immuables et versionnés, avec des projections d’alertes écrites dans la même transaction. Avertix
  • Livraison des alertes vers des applications externes via des webhooks signés, une outbox durable avec relances et rejeu, et des adaptateurs qui doivent passer des tests de conformité. Avertix
  • Garde-fous côté serveur pour les assistants : contexte reconstruit à chaque tour, citations non récupérées et actions hors périmètre refusées. Ana
  • Services typés en FastAPI et Fastify sur PostgreSQL. Avertix, Ana

OutilsPython, FastAPI, TypeScript, Fastify, C#, .NET, PostgreSQL ; Spring Boot (2023)

03

Modèles

Les choix de modèles reposent sur des preuves, pas sur la première courbe séduisante.

  • Adaptation de Transformers vidéo pré-entraînés : agrégation des tokens par attention, agrégation par attention entre les clips, têtes de classification adaptatives ; une branche I3D et un modèle hybride. Modèles vidéo
  • Diagnostics de mécanismes et interventions sur l’objectif en apprentissage auto-supervisé. T-JEPA
  • Exécuter les modèles là où les données ont le droit d’être : un même worker d’inférence empaqueté pour GPU cloud et appareils Jetson. Avertix
  • Expériences de conversion et de quantification de modèles sur GPU T4 (ONNX, INT8, TensorRT), comparées sur la taille des fichiers, la précision et le temps d’inférence. Avertix
  • Assistants LLM avec sorties structurées, outils bornés et validation humaine. Ana

OutilsVideoMAE, I3D, V-JEPA, T-JEPA ; sorties LLM structurées

04

Données et évaluation

Un résultat est fiable parce que les données et la comparaison le sont.

  • Un hachage du contenu qui a révélé des vidéos dupliquées de part et d’autre de la frontière entraînement/holdout, suivi d’un réentraînement sur des splits propres. Modèles vidéo
  • Des contrôles qui ont le droit de dire non : exécutions à poids nul et à étiquettes mélangées, critères déclarés à l’avance, candidats figés avant les données externes. Modèles vidéo, T-JEPA
  • Récupération avec périmètre, provenance et citations vérifiées sur la recherche plein texte de PostgreSQL. Ana

OutilsPython, SQL, recherche plein texte PostgreSQL, hachage de contenu, comparaisons appariées

05

Livraison

Les changements atteignent les systèmes en production par petites étapes vérifiées.

  • Contrôles de merge : vérification des types, contrats de couches d’import, tests, analyses de secrets et de dépendances, revue indépendante, contrôles au vert sur le commit exact. Avertix
  • Livraison Kubernetes configurée avec ArgoCD, déploiements canary, un pool GPU qui descend à zéro, et des mises à jour en pull pour les appareils Jetson. Avertix
  • Conteneurs avec profils GPU et CPU ; chargement des modèles paresseux et thread-safe, avec préchauffage asynchrone. Avertix

OutilsDocker, Kubernetes, ArgoCD, Argo Rollouts, Rancher Fleet, mypy, import-linter, pytest, gitleaks, OSV

Méthode · quatre habitudes

Comment le travail se fait

Les mêmes habitudes dans les produits et dans la recherche : trouver la panne, restreindre ce que le modèle décide, et faire passer chaque changement par un contrôle qui aurait pu l’arrêter.

  1. 01

    Reproduire avant de réparer.

    Un défaut devient un test qui échoue avant de devenir un correctif. Un échec d’entraînement suspecté devient un diagnostic avant de devenir une intervention.

  2. 02

    Donner au modèle une tâche étroite.

    Les modèles proposent ; un état validé, des règles ou une personne décident. Cette frontière vit dans le code et les tests, pas dans un prompt.

  3. 03

    Ne merger qu’à travers des contrôles.

    Couches typées, tests, analyses de sécurité et revue indépendante, avec des merges autorisés seulement quand les contrôles passent sur le commit exact.

  4. 04

    Garder les corrections.

    Quand un contrôle contredit un résultat séduisant, le résultat s’en va, et le dossier dit pourquoi.

Corrections consignées

Des résultats qu’un contrôle a modifiés ou bornés.

Révision A
T-JEPA
Une explication abandonnée. Un register token n’était pas nécessaire pour sortir de l’effondrement dans le cadre testé ; l’étude est donc passée à la mesure de la transition elle-même.
Révision B
T-JEPA
Un effet sur le moment, pas un gain de qualité. La repondération des résidus a avancé la transition dans les six comparaisons appariées ; la précision en aval est restée mitigée.
Révision C
T-JEPA
Un résultat retiré. Un résultat sur un sous-espace de représentation n’a pas résisté à un protocole corrigé et a été retiré.
Révision D
Modèles vidéo
Une fuite supprimée. Le hachage de chaque vidéo a révélé des doublons exacts de part et d’autre de la frontière entraînement/holdout ; le modèle hybride a été réentraîné sur des splits propres.
Révision E
Modèles vidéo
Un candidat rejeté. Les têtes de lecture ont été figées avant toute utilisation de vidéos externes, et une méthode d’adaptation au site qui n’a pas atteint ses critères déclarés à l’avance a été abandonnée.
Parcours

Expérience et formation

MYTEAM.ai est une petite entreprise : la direction technique y est opérationnelle.

En tant que CTO, je tranche les choix d’architecture, je fixe le protocole de livraison (branches par ticket, revue indépendante, merges conditionnés à des contrôles au vert) et je relis le code qui part en production. J’ai encadré le travail de deux stagiaires sur des fonctionnalités, en étant leur seul relecteur, et je reste le responsable technique opérationnel de la plateforme Avertix.

  1. Juin 2026 – aujourd’hui

    MYTEAM.ai · Région parisienne

    CTO / Responsable technique

    Responsable technique d’une petite équipe : architecture, protocole de livraison, revue de code et mentorat. Responsable de la plateforme Avertix ; contributeur à Livia.

  2. Déc. 2025

    MYTEAM.ai

    Ingénieur de recherche, CDI

    Ingénierie produit et recherche.

  3. Mai – oct. 2025

    MYTEAM.ai

    Stage de recherche

    Recherche en machine learning.

  4. Juil. – août 2023

    VERMEG · Tunis

    Stage en génie logiciel

    Développement back-end et front-end avec Spring Boot et Angular.

Formation

  • 2021 – 2025

    Télécom SudParis, Institut Polytechnique de Paris

    Diplôme d’ingénieur, modélisation statistique et machine learning

  • 2018 – 2021

    Lycée Janson-de-Sailly, Paris

    Classes préparatoires, MPSI puis MP*

Publication

  • 2026

    TransFlower: Contextual Dual-Branch Transformer-CNN Architecture for Real-Time Violence Detection

    Co-auteur · accepté pour une présentation orale à KES 2026. Présentation de la recherche

Langues

  • Arabe (langue maternelle), français (C2), anglais (C2), allemand (B1)

En dehors du travail

  • Musique, piano et montage vidéo

Contact

Dites-moi ce que vous construisez.

Le plus simple est de m’écrire par e-mail. Je travaille en français et en anglais.

mouadhbouali@gmail.com