Architecte IA · Product builder · Fondatrice

Chengheri
Bao.

Je construis des systèmes qui résolvent de vrais problèmes—de l’infrastructure IA d’entreprise aux logiciels dont j’ai besoin dans ma propre vie de fondatrice.

LinkedIn Voir les projets

Portrait of Chengheri Bao — PhD Physics · 8+ years AI · Paris

À propos

Je suis architecte IA, ingénieure et product builder. Depuis plus de huit ans, je travaille sur des systèmes IA, data et logiciels dans de grandes organisations—des modèles prédictifs et produits data aux architectures IA de production.

Ma formation est en ingénierie et en physique (PhD), mais l’essentiel de mon parcours consiste à transformer des idées techniques en systèmes qui fonctionnent réellement sur le terrain.

Aujourd’hui, je travaille dans deux directions : aider les équipes à mettre leurs systèmes IA en production et construire mes propres produits logiciels à partir de problèmes que je rencontre moi-même.

Ingénieure → Architecte → Builder → Fondatrice.

Expérience sélectionnée

De la recherche à la production.

Des systèmes conçus dans les télécoms, la banque, l’assurance et les jeux—avec l’architecture, l’évaluation et la mise en production au centre.

Étude de cas / 0104 2025 – 04 2026

IA agentique · Architecture d’entreprise

Système Agentic

Bouygues Telecom

Rendre les connaissances d’architecture accessibles et utiles.

Impact

Réduction de 50 % du temps de rédaction des rapports techniques, grâce à un assistant unique pour la recherche de cas d’usage, le mapping du référentiel et les réponses techniques contextualisées.

01 / Enjeu

Les architectes doivent retrouver les cas d’usage pertinents, rapprocher les demandes du référentiel d’entreprise et répondre à des questions techniques dans une documentation dispersée.

02 / Système

Le système réunit trois fonctions : retrouver les cas d’usage pertinents, relier les demandes aux référentiels de l’entreprise et répondre aux questions techniques à partir de la documentation interne validée. Il présente le contexte justificatif de chaque réponse et offre aux experts un cadre structuré pour revoir et maintenir les connaissances fournies.

Du signal au système

01
Question d’architecture
02
Orientation de la demande
03
Recherche & mapping
04
Réponse contextualisée

Technologies

PythonLangChainLangGraphFastAPIMongoDBNeo4jWeaviateTransformersHugging FaceRAGASDoclingStreamlitspaCyAzure

AWSMLflowOpenShiftKubernetesHelmKustomizeDockerGitLab CI/CDLocust

Mon rôle

Tech Lead AI : architecture, orchestration des agents, développement backend et interface, déploiement, évaluation et transmission.

Étude de cas / 0203 2022 – 11 2024

Détection d’anomalies · Jeu responsable

Détection d’Anomalies

FDJ · Française des Jeux

Faire émerger les activités inhabituelles à examiner.

Impact

Taux de détection multiplié par 10 et délai ramené de plusieurs jours à quelques heures, faisant passer les équipes d’une investigation réactive à un suivi proactif.

01 / Enjeu

Les équipes de jeu responsable doivent repérer des comportements atypiques dans l’activité des points de vente, à partir de grands volumes de données transactionnelles en temps réel et de peu d’exemples labellisés.

02 / Système

Le système traite l’activité transactionnelle en temps réel, la consolide en indicateurs de risque par point de vente et génère des alertes priorisées accompagnées d’explications. Les analystes disposent de vues récurrentes de scoring et de reporting pour examiner les comportements inhabituels, comparer les cas et documenter leurs investigations.

Du signal au système

01
Transactions en temps réel
02
Variables glissantes
03
Score d’anomalie
04
Explication & reporting

Technologies

PythonApache SparkHiveHDFSTensorFlowScikit-learnScikit-TDAPandasNumPyMatplotlibPlotlySciPySHAPMLflowKubernetesAirflowDockerGitLab CI/CDElasticsearchKibanaPower BIGit

Mon rôle

Pilotage data science et mise en production : modélisation des risques, pipelines de données, suivi des expériences, monitoring et restitution métier.

Étude de cas / 0305 2021 – 01 2022

Modélisation prédictive · Explicabilité

Modélisation de Risque

Allianz

Mieux évaluer le crédit avec un modèle compréhensible.

Impact

100 % des décisions du modèle rendues explicables, avec une amélioration de 15 % de la performance prédictive.

01 / Enjeu

L’évaluation du crédit exige une bonne capacité prédictive et un modèle que les équipes risques peuvent comprendre, examiner et documenter.

02 / Système

Le système transforme les informations du demandeur et les données métier en une évaluation du risque de crédit, puis présente les facteurs à l’origine de chaque score pour examen par les équipes risques. Il prend également en charge la validation sur différentes périodes, les contrôles de stabilité et la documentation nécessaire à la gouvernance et à la revue réglementaire.

Du signal au système

01
Données métier
02
Construction de variables
03
Modèle hybride
04
Évaluation explicable

Technologies

PythonRégression logistiqueXGBoostArbres de décisionLogique floueScikit-learnPandasNumPyMatplotlibSHAPKedroMatlab

AWSGit

Mon rôle

Pilotage data science : évaluation du système expert, développement du modèle hybride, construction de variables, explicabilité et documentation technique.

Étude de cas / 0402 2020 – 04 2021

IA conversationnelle · Matching sémantique

Chatbot

Crédit Agricole

Relier les questions bancaires aux bonnes connaissances.

Impact

Réduction de 40 % du recours au support téphonique humain, déploiement dans 39 caisses régionales et réponses jusqu’à 8× plus rapides.

01 / Enjeu

Les conseillers ont besoin de réponses précises dans des domaines métier spécialisés, même si leurs formulations diffèrent de celles de la base de connaissances.

02 / Système

Le système reçoit la question d’un conseiller, identifie son domaine métier et son intention, puis restitue la réponse validée la plus pertinente. Il prend en charge le vocabulaire spécialisé de huit domaines bancaires et intègre un processus structuré de revue et de mise à jour des connaissances disponibles.

Du signal au système

01
Question du conseiller
02
Langue & entités
03
Matching sémantique
04
Connaissance pertinente

Technologies

PythonBERTFastTextPyTorchScikit-learnGensimNLTKspaCyTF-IDFNEROCR TesseractPandasNumPyMatplotlibElasticsearchMongoDBJenkinsKibanaGit

Mon rôle

Pilotage du développement et de l’optimisation IA : modèles de langue, matching des intentions, recherche sémantique et intégration en production.

Maintenant, je construis

Des produits nés de problèmes vécus.

La même discipline traverse chaque produit : observer un problème, construire l’outil souhaité, l’utiliser intensivement et apprendre avant de le proposer aux autres.

01 / Content