Cyril ReganIngénieur en intelligence artificielle
Cyril Regan a rejoint le Laboratoire lorrain de recherche en informatique et ses applications (Loria - CNRS/Université de Lorraine/Inria) en 2021 en tant qu’ingénieur IA.
Sur quels types de problématiques en IA travaillez-vous ?
J'ai contribué pendant six mois à un projet d'écologie portant sur l’étude des diatomées (micro-algues) qui sont en l’occurrence un excellent bio-indicateur de la qualité de nos rivières. Ce projet PNRIA portait sur la détection et l'identification automatique des diatomées sur des images acquises par microscope.
J'ai adapté la méthode de détection Yolov5 (et angles) sur les images et annotations existantes.
J'ai contribué au développement d'un algorithme de classification hiérarchique pour automatiser les expériences (factorisation de code et développement de logs type tensorboard).
J'ai déployé une application (avec SISR) qui permet à l'utilisateur de charger ses images, et d'obtenir en retour les prédictions de détection et d'identification des diatomées.
Qu’avez-vous fait avant d’entrer au CNRS ? Pourquoi avoir choisi le CNRS ?
Je viens initialement du monde de la simulation numérique. Ingénieur Matméca* (2007-Talence 33), puis Docteur en physique des plasmas (2010 -Talence 33), j'ai acquis une expérience professionnelle de 9 ans (1 an de post-doc et 8 ans à Ingeliance* -Mérignac 33) en modélisation de la mécanique des fluides et des structures.
En 2019-2020 (Pessac 33), je me suis reconverti en data scientist avec OpenClasroom et j'ai travaillé 9 mois (2021) dans l'équipe Mnémosyne* (INRIA Bordeaux) sur l'apprentissage par renforcement.
Fin 2021, j'ai candidaté au CNRS (Nancy 54) pour continuer à explorer le très riche domaine de l'Intelligence Artificielle, et pour contribuer à une recherche publique indépendante et garante de l'intérêt général, dans laquelle je souhaite poursuivre ma carrière professionnelle.
Compétences en IA :
IA :
- Apprentissage par renforcement (Deep Q-Networks, A3C, Gym)
- Apprentissage supervisé (SVM, KNN,Random Forest, LGBM), deep learning (DL) sur les images (détection d'objets - VAE - réseaux convolutifs), DL sur le TAL (Mécanisme de l'attention, réseaux récurrents)
- Apprentissage non supervisé (KMeans, Ward, DBScan, Gaussian mixture), visualisation, réduction (ACP, TSNE, Isomap)
Langages :
- Python
- Javascript, HTML, CSS, PHP
- Fortran90, C, C++
Framework :
- Pytorch, Pytorch-lightning, Hydra, Tensorflow, Keras, Pandas, Sklearn, Numpy
- React, node.js
Outils :
- Docker, Docker-compose, torchserve, git, github, gitlab
- MongoDB, MySQL
Contributions aux projets suivants dans le cadre du PNRIA :
Activités complémentaires au LORIA :
J'ai contribué (1 mois) à un projet interne du Loria Deep-Post-Tune : Post-training non supervisé de réseaux profonds, pour améliorer les capacités de généralisation des réseaux neuronaux profonds pré-entraînés, décrite dans cette publication : https://hal.archives-ouvertes.fr/hal-02022062.
Référent technique du projet : Christophe Cerisara (cerisara@loria.fr)
J'ai aussi fait de la veille technologique et du partage avec les ingénieurs PNRIA au SISR.