De la physique numérique
à l’ingénierie des données

Mon parcours a commencé par un doctorat en physique numérique. La recherche m’a appris à poser des questions, à travailler avec des modèles et à tirer des conclusions à partir de données. Ces habitudes me servent encore aujourd’hui dans les projets data et IA.

Partir d’une question, pas d’un outil

En recherche comme en entreprise, la technologie n’est qu’un moyen. Il faut d’abord comprendre le phénomène ou le besoin : quelles données avons-nous, que cherchons-nous à savoir, et quelle décision pourra changer grâce à la réponse ? Cette étape évite de construire une solution impressionnante qui ne résout pas le problème de départ.

Suivre la chaîne de valeur

Après ma thèse, je me suis orienté vers la donnée, l’intelligence artificielle et le cloud computing. J’ai travaillé sur les différentes étapes de cette chaîne, de la collecte et de l’ingénierie jusqu’à la valorisation. Une analyse dépend de la qualité des données qui l’alimentent ; un modèle n’a d’utilité que s’il peut être intégré et utilisé dans de bonnes conditions.

Cette vue d’ensemble aide à relier les décisions d’architecture, les choix d’outils, la sécurité, la gouvernance et les usages métier. Elle permet aussi de garder en tête les étapes qui séparent une preuve de concept d’une solution maintenable en production.

La technique prend tout son sens quand elle se transmet

J’accompagne aujourd’hui des professionnels, des personnes en transition et des équipes. Le point de départ reste le même : clarifier le besoin, rendre les choix compréhensibles, avancer par étapes et partager les compétences nécessaires pour continuer.

La physique numérique et l’ingénierie des données sont des disciplines différentes, mais elles partagent une exigence : être rigoureux sur les questions, les méthodes et l’interprétation des résultats. C’est ce fil que je retrouve dans mon travail sur la data, l’IA et le cloud.