Contrôles du Règlement européen sur l'IA dans le pipeline de déploiement
Projet de fin d'études, Universidad Siglo XXI, 2026
Un validateur conçu pour tourner comme une étape d'un pipeline GitLab CI. Pour chaque nouvelle version d'un modèle de crédit, il mesure si le modèle accepte les hommes et les femmes à des taux différents et vérifie cinq contrôles du Règlement européen sur l'IA. Si l'un échoue, le déploiement est bloqué et le rapport indique la règle et l'article.
Résultats : Prototype fonctionnel. Lors d'une première exécution, la version 1 d'un modèle de crédit de test a passé les cinq règles et la version 2 a été bloquée par la règle d'équité (différence de parité démographique de 0,15, seuil de 0,10). L'évaluation face à la revue manuelle a lieu en novembre 2026.
Technologies : Python, RDF, SHACL, GraphDB, Fairlearn, GitLab CI, Streamlit, Docker
Le cabinet et la banque sont un cas modélisé, pas de vrais clients.
Lire l'article
Voir les écrans du prototype
Vente de cryptomonnaies en agence
Union of Financial Corners, Genève
Les clients paient en espèces au guichet et reçoivent du Bitcoin ou de l'Ethereum sur leur propre wallet, ou vendent de la crypto contre des espèces. J'ai piloté le lancement : les besoins, le choix du partenaire crypto suisse, le backlog avec les développeurs externes, les tests, les procédures en agence et la formation du personnel.
Résultats : En service dans toutes les agences de Genève, Lausanne, Berne et Zurich. Les clients reviennent régulièrement, nous avions tous les documents demandés lors des audits, et le service est en cours d'extension à des bornes partenaires dans toute la Suisse.
Lire l'article
Tri anonymisé des plaintes pour le contrôle de la police
Gouvernement de Córdoba, Argentine, 2025–2026
Un pipeline NLP qui retire les noms, les numéros d'identité et les adresses des plaintes de citoyens avant que quiconque ne les lise, puis propose l'une des huit catégories officielles de l'organisme. Un procureur valide ou corrige chaque proposition.
Résultats : Sur un jeu de test aveugle de 2 189 plaintes, un rappel de 77 % sur les violences institutionnelles et un F1 de 0,72 sur les violences de genre. Tout tourne sur le matériel de l'organisme.
Technologies : Python, PyTorch, BETO (BERT espagnol), spaCy, Microsoft Presidio
Le code n'est pas public, car le système traite des données gouvernementales.
Lire l'article (en anglais)
Justice Inequality Simulator
Cours de modèles génératifs profonds, Hochschule Furtwangen, 2025
Une façon de tester si un modèle qui prédit des décisions de justice est biaisé. Je modifie un seul détail sensible dans la description de l'affaire, comme le genre ou l'origine, et je mesure de combien la prédiction change.
Résultats : Dans plusieurs cas, remplacer un mot sensible a déplacé la probabilité prédite de 0,10 à 0,25. Précision de 0,78 sur le jeu de test, probablement optimiste : l'article explique les limites de l'évaluation.
Technologies : Python, Legal-BERT, PyTorch, scikit-learn
Lire l'article (en anglais)
Ouvrir le notebook
Tous les articles