kaleche.dev — ingénieur logiciel et recherche opérationnelle. Solveurs d'optimisation, middleware d'infrastructure IA en Rust, applications métier en Python / TypeScript / .NET.
Formé à la recherche opérationnelle, je travaille à l'intersection de la modélisation, du logiciel applicatif, et de l'infrastructure IA.
En pratique, je construis des logiciels. Solveurs d'optimisation (CP-SAT, MILP), middleware d'infrastructure IA en Rust, agents et applications en Python / TypeScript / .NET.
Missions ponctuelles ou forfait : audit, conception, implémentation, déploiement.
SaaS B2B, outils internes, applications desktop, APIs. Architecture pragmatique, tests qui servent à quelque chose, observabilité dès le jour 1.
Proxies, rate-limiting, validation vectorielle. Rust, gRPC.
RAG, agents Telegram/web, extraction structurée, orchestration.
Modélisation et résolution de problèmes combinatoires : planning, allocation, ordonnancement, tournées. Du cahier des charges à la production.
Cadrage clair en début de mission. Itérations courtes. Tests qui couvrent les cas pénibles, pas les heureux. Documentation au fur et à mesure, pas en fin de mission.
Recherche opérationnelle qu'on peut voir tourner. Génère N points, observe l'algorithme construire une tournée par nearest-neighbor, puis l'améliorer par 2-opt jusqu'à l'optimum local. Tout en JavaScript, dans ton navigateur.
Maîtrise de la chaîne de traitement 3D : capture LiDAR, recalage, segmentation, extraction de repères anthropométriques. Pipeline reproductible, tolérances mesurables.
Démo synthétique ci-dessous — silhouette générée procéduralement.
Couche gRPC placée devant les bases vectorielles (Qdrant) qui valide la dimensionnalité, normalise les vecteurs, et empêche la corruption silencieuse des indices de similarité. Métriques RED, contrats versionnés.
Diffusé en licence propriétaire avec showcase technique séparé.
service VectorRouter { // Validate dimensions, NaN, normalize on demand rpc Validate(Embedding) returns (ValidationResult); rpc ValidateBatch(stream Embedding) returns (stream ValidationResult); } message Embedding { repeated float values = 1; // expected dim 1024 / 1536 / 3072 string namespace = 2; string model_id = 3; }
Proxy qui s'intercale devant les fournisseurs LLM pour authentifier les appelants, limiter les taux par tenant, et compter les tokens. Observabilité Prometheus native, multi-tenant, streaming.
Posé en quelques heures, économise des milliers d'euros en garde-fous.
# HELP llm_requests_total LLM API requests by tenant and provider # TYPE llm_requests_total counter llm_requests_total{tenant="acme",provider="openai"} 142371 llm_tokens_in_total{tenant="acme"} 4827193 llm_tokens_out_total{tenant="acme"} 891244 llm_rate_limit_hits{tenant="acme",window="1m"} 17 # Latency p50/p95/p99 — Rust + Tokio, no allocations on hot path llm_request_duration_seconds{quantile="0.50"} 0.083 llm_request_duration_seconds{quantile="0.95"} 0.412 llm_request_duration_seconds{quantile="0.99"} 1.205
API qui transforme une facture ou un avoir PDF en JSON métier calibré, avec score de confiance par champ. 42 tests, calibration mesurée, fallbacks documentés. Conçu pour des cabinets d'expertise comptable.
Vision LLM utilisée chirurgicalement, pas comme une boîte noire.
Premier appel gratuit pour cadrer le besoin et savoir si je suis le bon profil. Optimisation, infra IA, agents, applicatif métier — si c'est calculable, on en discute.