Aller au contenu
Alain Lorenz

Partager ce site

Tournez l’écran vers votre interlocuteur : le QR code se scanne de l’autre côté de la table.

QR code vers le site

ala.inlore.nz/

Alain Lorenz — CTO & cofondateur · IA & MLOps · Genève ↔ Lyon

Full stack, au sens littéral :du téléphone jusqu’au GPU.

Je conçois des produits complets et je fais tourner leurs modèles d’IA en production — de la donnée brute à l’inférence GPU. Cofondateur et CTO de JobyPepper et d’Ozly.

Le CTO qui committe encore.

Cofondateur et CTO, j’ai dirigé des équipes jusqu’à dix personnes sans lâcher le clavier : je suis toujours le premier contributeur de l’API que j’ai lancée en 2016. Depuis 2023, mon terrain principal, c’est l’IA en production — entraîner, déployer, servir et optimiser des modèles qui répondent à de vrais utilisateurs. Mes sujets de prédilection : les LLM, le RAG et le fine-tuning. Et la paperasse qui fait tourner la boîte — RGPD, DAC7, fiscalité, crédit d’impôt innovation — passe aussi par moi. Le tout entre Genève et Lyon.

Oui, un CTO qui committe. L’espèce n’est pas éteinte.

ans sur le même produit
10
commits à mon nom
10 600
dépôts git
36
coût GPU après optimisation
÷4

Projets

Cofondateur technique · CTO · depuis 2016

JobyPepper

La plateforme qui met en relation des entreprises et des indépendants pour des missions.

  • Web, mobile, API et infrastructure : tout l’écosystème produit.
  • Deux apps mobiles publiées sur les stores iOS et Android, de la build à la fiche : versions, soumission, mises en conformité, rédactionnel.
  • Dispatch financier, pas un simple bouton « payer » : le client paie une fois, la plateforme génère la facture de chaque prestataire, répartit les fonds et déclenche chaque versement. Automatiquement.
  • Agent IA de sourcing et de matching de candidats, branché via MCP.
www.jobypepper.com (nouvel onglet)

Cofondateur technique · CTO · 2023 · en pause

Ozly

L’IA appliquée à la recherche d’emploi.

  • Pipeline complet : ingestion multi-sources, classification CamemBERT, index vectoriel.
  • Recherche sémantique et RAG conversationnel, dans un widget intégrable.
  • Inférence GPU optimisée : coût divisé par quatre.
hello.ozly.ai (nouvel onglet)

En parallèle

Projet personnel · 2026

Origin AI

Des vidéos de vrais postes de travail transformées en données d’entraînement pour la robotique.

  • Upload vidéo fragmenté, traitement ffmpeg, tagging par LLM.
  • Floutage automatique des visages sur GPU, pipeline de création de datasets.

Side project · 2026

EV Comparator

À partir de combien de kilomètres l’électrique devient-il moins cher ?

  • Ingestion quotidienne d’open data, modèle de coût au kilomètre.
  • Estimation de revente présentée comme telle, jamais comme une vérité.

Le trajet d’une requête

Chaque couche traversée, je l’ai construite. La moitié du trajet se passe du côté de l’IA.

  1. L’écran

    app.tap("Rechercher")

    Applications mobiles React Native / Expo, dont une app entreprise complète, menées jusqu’aux stores : builds iOS et Android, soumission, textes des fiches. Interfaces web React pour les administrateurs, les clients et les indépendants.

    Ça commence dans une poche.

  2. L’API

    POST /search

    Node.js / Express, parcours métier, et un moteur de dispatch financier : un seul paiement client devient automatiquement les factures de chaque prestataire, les transferts de fonds et les versements.

    Là où l’argent circule. Aucune pression.

  3. La file

    rabbitmq.publish(search)

    RabbitMQ entre l’API, les workers, le planificateur et le temps réel. Chaque service fait une chose et la fait en asynchrone.

    Tout finit par passer. Dans l’ordre.

  4. Le modèle

    camembert.classify → llm.answerIA

    Classifieurs CamemBERT fine-tunés, agents de sourcing et de matching, serveurs MCP qui branchent des LLM sur de vraies données métier.

    La partie dont tout le monde parle.

  5. Le GPU

    triton.infer(gpu:0)IA

    Inférence servie par Triton sur GPU, conteneurs CUDA.

    La partie qui coûte cher si personne ne la regarde.

Un modèle en notebook, c’est une promesse. En production, c’est un service.

Le MLOps, c’est tout ce qui se passe entre les deux. Je couvre le cycle entier.

  1. 01

    Collecter

    Pipelines planifiés qui agrègent, nettoient et dédupliquent des données venues de plusieurs sources.

  2. 02

    Entraîner

    Construction de datasets, fine-tuning de classifieurs par secteur et par type de contrat.

  3. 03

    Packager

    Modèles versionnés, images Docker CUDA, publication dans un registre de conteneurs.

  4. 04

    Servir

    Inférence GPU, service d’embeddings sur Kubernetes, recherche vectorielle.

  5. 05

    Exploiter

    CI/CD, observabilité sur tous les services, optimisation continue : embeddings réduits à 512 dimensions, fuite mémoire traquée et corrigée.

L’étape 5 ne se termine jamais. C’est normal.

Comment je travaille

Des projets pilotés de bout en bout avec l’IA, et un humain à chaque point de contrôle.

Pipeline d’un projet, de l’idée à la proden production
  1. notionLe projet est déclaré dans Notion + Figma.humain
  2. reviewIl est relu et validé par un humain.humain
  3. buildDes LLM le concrétisent, branchés sur le code et son contexte.IA
  4. verifyJe vérifie, je teste, je corrige.humain
  5. deployMise en production : images Docker, déploiement Kubernetes.CI/CD
  6. monitorLes erreurs remontent dans Sentry, lisibles par les agents.agents + humain

Ma vraie spécialité, c’est l’après-mise en prod : suivre, diagnostiquer, stabiliser — en temps record.

Les agents lisent Sentry avant mon premier café. Le correctif part souvent avant qu’il refroidisse.

Partir du besoin

  • Avant la première ligne de code : comprendre le métier, qui va utiliser l’outil, pour faire quoi, sous quelles contraintes.
  • En tirer les parcours, puis l’UX/UI. L’interface découle du besoin, pas l’inverse.
  • Un design system maison pour que tout le produit parle la même langue.

Piloter

  • Direction technique d’une équipe jusqu’à dix personnes.
  • Décisions d’architecture, organisation de la livraison, arbitrages produit / technique.
  • Montage des dossiers de financement de l’innovation.
  • Transformer un besoin opérationnel en outil, et une expérimentation IA en service exploitable.

Travailler avec l’IA, pas à côté

  • Agents de code intégrés au quotidien, avec des consignes versionnées dans chaque dépôt.
  • Serveurs MCP construits sur trois produits pour brancher des LLM sur des données métier.
  • Les erreurs de production sont accessibles aux agents : diagnostic et correctif proposés dans la foulée.

Faire tourner la boîte

  • Conformité RGPD et déclarations associées.
  • Export et déclarations DAC7, l’obligation fiscale des plateformes collaboratives.
  • Impôts et obligations déclaratives de l’entreprise.
  • Suivi des projets éligibles au crédit d’impôt innovation (CII).

Ce site a été conçu avec deux IA. J’ai fait le brief, arbitré les désaccords et relu chaque phrase. Ça s’appelle du management.

Hors-piste.

Je ne suis pas qu’un geek. Je suis avant tout quelqu’un qui s’amuse — sur l’eau, sur la neige, sur un court, aux fourneaux, derrière un objectif ou devant un écran.

  • Glisse

    • Ski
    • Wakeboard
    • Surf

    Même règle qu’en prod : tant que ça avance, ça tient.

  • Raquettes

    • Tout ce qui se joue avec une raquette

    Une requête, une réponse. En un peu plus essoufflé.

  • Créatif

    • Cuisine
    • Photographie

    Une recette, c’est un pipeline dont on mange la sortie. Une photo, un rendu qu’on ne peut pas relancer.

  • Pop culture

    • Jeux vidéo
    • Cinéma
    • Et tout le reste

    Oui, je regarde les cinématiques.

Parcours

  1. 2008

    Master 2 en communication

  2. 2008

    Freelance — développement d’applications mobiles et DevOps

  3. 2016

    JobyPepper — cofondateur technique, CTO

  4. 2023

    Ozly — cofondateur technique, CTO · en pause

  5. 2026

    Origin AI — projet personnel

Compétences

IA & MLOps
  • LLM
  • RAG
  • Embeddings et recherche vectorielle
  • Fine-tuning (CamemBERT)
  • Triton Inference Server
  • CUDA
  • Serveurs MCP
  • LangChain
Déploiement
  • Docker (images CUDA, Compose GPU)
  • Kubernetes
  • CI/CD (CircleCI)
  • Nginx
  • Sentry
Back-end
  • Node.js / Express
  • Python
  • RabbitMQ
  • MongoDB
  • Redis
  • WebSocket
Front & mobile
  • React
  • React Native / Expo
  • Publication iOS et Android
Gestion
  • Direction technique (jusqu’à 10 personnes)
  • RGPD
  • DAC7
  • Fiscalité
  • CII

Langues parlées couramment — Français · Allemand · Anglais

Cette page est une réponse.

Je n’ai pas rédigé ce texte. Je l’ai demandé à deux IA qui me connaissent depuis des années, puis chaque phrase a été confrontée aux seules archives qui ne mentent pas : mes dépôts git privés.

Le prompt d’originealain → claude, chatgpt

On se parle depuis plusieurs années. En te basant sur nos conversations et mes repos git, génère-moi le contenu d’une landing qui présente mes capacités.

Réponse : tout ce qui est au-dessus.

  1. 01

    La mémoire

    Des années de conversations avec Claude et ChatGPT : ce que je construis, comment je travaille, ce qui m’amuse. Du déclaratif.

  2. 02

    La preuve

    Mes dépôts git privés : code, commits, configurations. Une affirmation sans trace dans le code n’est pas publiée.

  3. 03

    L’arbitre

    Moi : le brief, les choix, la relecture. Les IA proposent, je tranche.

Oui, c’est une IA qui a écrit « le CTO qui committe encore ». Elle avait compté les commits.

#contact

Un projet, un poste, une question sur RabbitMQ ?

Le plus rapide, c’est Instagram.

Je hais linkedIn.

Pour les RH et leurs robots :

Basé entre Genève et Lyon.