Candidature de thèse en IA · Octobre 2026 / Janvier 2027

AntoineHOUNSI

Étudiant en M2 Machine Learning à l'Université de Lille, je prépare une candidature de thèse en intelligence artificielle et en machine learning. Mes travaux actuels portent sur l'apprentissage fédéré, l'optimisation distribuée, les contraintes énergétiques et la vision par ordinateur, tout en restant ouvert à d'autres sujets proches. Mon fil conducteur : relier rigueur scientifique, implémentation robuste et impact concret.

Projet doctoralCV (FR)CV (EN)
Défiler
01

Profil & Recherche

Je construis un profil de chercheur-ingénieur capable de passer rapidement de l'état de l'art à l'expérimentation, puis à des implémentations exploitables dans des environnements réels.

Dans le cadre de mon mémoire de master, je mène un travail sur le Clustered Federated Learning : revue de littérature, implémentation d'algorithmes, benchmark et analyse de l'hétérogénéité des données. Ce travail m'a également conduit à développer CFLA, une librairie open source dédiée au CFL, et à proposer l'algorithme HCFL.

Consulter le mémoire

De janvier à Fevrier 2026, dans mon projet de fin d'études, j'ai étudié l'adaptation de stratégies d'apprentissage fédéré aux contraintes énergétiquesdes appareils, en jouant sur les budgets, les informations remontées et le coût de calcul local.

Mon stage au LIRMM sur un pipeline de détection / ré-identification d'espèces animales, ainsi que mes expériences en développement logiciel, renforcent ma capacité à porter des sujets de recherche jusqu'à leur mise en œuvre.

Positionnement scientifique

Machine Learning robuste, efficace et ancré dans les usages

  • Socle actuel en apprentissage fédéré : clustered FL, non-IID, personnalisation et benchmark
  • Développement de CFLA et proposition de HCFL dans le cadre du mémoire
  • Travaux sur l'efficacité : contraintes énergétiques, budgets de communication et coût de calcul
  • Expérience en vision par ordinateur : détection, ré-identification et tracking sur données terrain
  • Culture d'expérimentation reproductible, de méthodologie et de rédaction scientifique
◆  Disponible pour une thèse en octobre 2026 ou janvier 2027
02

Projet Doctoral

Mes travaux actuels portent principalement sur l'apprentissage fédéré, mais je ne limite pas ma recherche de thèse à ce domaine. Je suis ouvert à des sujets en intelligence artificielle, machine learning, vision par ordinateur, optimisation ou systèmes ML, dès lors qu'ils combinent rigueur scientifique, expérimentation et implémentation.

Ce que je recherche

Une thèse en IA avec une forte dimension scientifique et expérimentale

  • Machine learning, deep learning et optimisation
  • Vision par ordinateur et perception sur données réelles
  • IA distribuée, apprentissage fédéré et systèmes ML
  • Sujets où la modélisation, l’expérimentation et l’implémentation comptent autant

Ce que j’apporte

Un profil déjà construit entre recherche et ingénierie

  • Expérience en état de l’art, benchmark, méthodologie et rédaction scientifique
  • Mise en œuvre concrète avec Python, PyTorch, YOLO, Docker et outils de développement
  • Capacité à passer rapidement d’une idée à un prototype expérimental robuste
  • Aisance pour travailler en français comme en anglais

Disponibilité visée : une thèse débutant en octobre 2026 ou janvier 2027, dans un environnement où la recherche peut produire à la fois des résultats solides et des implémentations utiles.

03

Compétences

Un socle technique construit à la fois par la recherche en machine learning et par des expériences concrètes en développement logiciel.

ML / Deep Learning

PyTorchTensorFlowScikit-learnYOLOHuggingFaceMLflowOpenCVFederated Learning

IA Générative

LLMsRAGTransformersLangchainLlamaIndexLangGraphAgents IA

Langages

PythonRJavaScriptTypeScriptJavaC / C++PHP

Cloud & DevOps

DockerGitAWSLinuxGCPTraefik

Bases de données

PostgreSQLMongoDBMySQLRedis

Frameworks Web

NestJsNodeJsAdonisJsAngularSymfonyREST APIs
04

Expériences

AI Engineer

Mar 2026 — Présent

Dynergie · Lyon, France

  • Développement d'outils IA internes à destination des consultants.
AI EngineerPythonApplied AI

Assistant chercheur — Projet de fin d’études

Jan 2026 — Fev 2026

Université de Lille · Lille, France

  • Encadrement : Romain Rounov et Marc Tommasi.
  • Conception de stratégies d’apprentissage fédéré adaptées aux contraintes énergétiques des appareils.
  • Étude de l’impact des budgets de calcul et d’approximation de consommation sur l’entraînement.
  • Analyse de la quantité d’information transmise et réduction des coûts de calcul des gradients.
Federated LearningEnergy EfficiencyOptimizationResearch

Mémoire de recherche — Clustered Federated Learning

Oct 2024 — Avr 2026

Université de Lille · Master Machine Learning

  • Encadrement : Batiste Le Bars.
  • État de l’art sur le Clustered Federated Learning et ses enjeux méthodologiques.
  • Implémentation de plusieurs algorithmes de CFL et comparaison expérimentale.
  • Construction d’un benchmark sur des métriques adaptées à l’hétérogénéité des clients.
  • Développement de CFLA, une librairie open source Python publiée sur PyPI pour implémenter et benchmarker des algorithmes de CFL.
  • Proposition de HCFL, un algorithme original de CFL qui découvre automatiquement le nombre de clusters.
  • Analyse des enjeux de personnalisation, de confidentialité et de non-IID.
  • Pratique de la méthodologie de recherche et de la rédaction scientifique avec LaTeX.
Clustered FLCFLAHCFLNon-IIDBenchmarking

Stagiaire recherche — Computer Vision

Fév 2024 — Août 2024

LIRMM · Montpellier, France

  • Encadrement : Marc Chaumont, Gérard Subsol et Eugênio Dias Ribeiro Neto.
  • Amélioration d’un pipeline de détection et de ré-identification d’espèces animales sur images de pièges photographiques.
  • Fine-tuning de YOLOv5 avec MegaDetector pour améliorer la détection.
  • Implémentation from scratch d’un algorithme de tracking et automatisation du pipeline jusqu’à la base de données.
  • Ces travaux ont ensuite donné lieu à une publication dans Ecological Informatics ; j’y suis cité selon la mention associée à ma contribution au projet.
YOLOv5MegaDetectorTrackingComputer VisionPublication

Développeur Web

Juin 2022 — Août 2022 · Juin 2023 — Sept 2023

TogoRER · Lomé, Togo

  • Analyse et conception du site web institutionnel de TogoRER.
  • Conception d’une plateforme de mutualisation de ressources pédagogiques avec authentification SSO EduId.
WebSSOEdTechPlatform Design
05

Formation

2024 — 2026

Master Machine Learning

Université de Lille 1 Sciences and Technology

  • Mémoire de recherche sur le Clustered Federated Learning
  • Projet de fin d’études sur l’apprentissage fédéré sous contraintes énergétiques, encadré par Romain Rounov et Marc Tommasi

2023 — 2024

Licence en Vision par Ordinateur

Université de Nîmes

  • Approfondissement de la vision par ordinateur et du traitement d’image

2021 — 2023

Licence Computer Science

École Polytechnique de Lomé - UL

  • Fondamentaux en algorithmique, développement logiciel et systèmes
06

Contributions

Quelques résultats concrets issus de mes travaux de recherche : une publication liée à mon stage au LIRMM, ainsi qu'une librairie open source et un algorithme proposés dans le cadre de mon mémoire.

Février 2026Background-invariant re-identification of dogs from camera-trap videos in non-controlled environmentsEcological Informatics · Volume 93 · Article 103547Publication issue de travaux liés à mon stage au LIRMM sur la détection, le tracking et la ré-identification sur vidéos de pièges photographiques.
PublicationComputer VisionOpen Access
Mars 2026HCFL: Hierarchical Clustered Federated Learning with Automatic Cluster Discovery and Inter-cluster Knowledge SharingContribution algorithmique originale en Clustered Federated LearningAlgorithme proposé dans le cadre de mon mémoire, conçu pour découvrir automatiquement le nombre de clusters sans fixer K a priori.
AlgorithmCFLResearch
Mars 2026CFLAPyPI · version 1.0.1 · licence MITLibrairie open source Python développée dans le cadre de mon mémoire pour implémenter et benchmarker des algorithmes de Clustered Federated Learning, incluant HCFL.
Open SourcePyPIHCFL
07

Articles

À venirHCFL : Hierarchical Clustered Federated Learning with Automatic Cluster Discovery and Inter-cluster Knowledge Sharing
federated-learningcfl
À venirRAG en pratique : Les dossiers d'epstein
mlrecherche
Voir tous les articles →
08

Contact

Construisons une thèse ambitieuse
et ancrée dans le réel.

Je suis disponible pour une thèse en intelligence artificielle débutant en octobre 2026 ou janvier 2027. Je suis ouvert à des opportunités en machine learning, computer vision, optimisation, IA distribuée, IA frugale et plus largement sur des sujets où l'expérimentation et l'implémentation occupent une place forte.

Envoyer un email
Emailantoinehounsi3@gmail.comLinkedIn/in/antoinehounsi
CVFREN
DisponibilitéOctobre 2026 / Janvier 2027
LanguesFrançais natif · Anglais