Trouver la connaissance dans une mer d’enregistrements.
Je suis Loujain Liekah, scientifique en IA et en données. Je fais passer la recherche en production sur les données réelles des entreprises : entity resolution, qualité des données et IA respectueuse de la vie privée, avec les choix techniques qui les font tenir à grande échelle.
Les mots dérivent comme une marée. Survolez-les pour les faire ressortir, cliquez pour créer une onde.Les mots dérivent comme une marée. Touchez pour créer une onde.
Des résultats vérifiables
| 91 % moins cher | Un LLM open-weight choisi sur données réelles : 16,5 fois plus petit que le premier choix, hébergé en France. | Étude de cas |
|---|---|---|
| 1,25 Md à 40 000 | Paires candidates ramenées à environ 40 000 comparaisons pour l’entity resolution, en quelques secondes. | Étude de cas |
| Classé 10e | D-HAT, ma méthode de recherche, sur le classement Amazon-Google, devant GPT-4o et Llama-3.1-70B, sans fine-tuning. | Étude de cas |
Même chose, enregistrements différents.
Relier les enregistrements qui décrivent un même produit, une même entreprise ou une même personne se joue avant l’appariement lui-même : dans la qualité des données, et dans le nombre de comparaisons, qui croît avec le carré des données. Suivez les étapes sur de vrais enregistrements d’un benchmark public et sur un de mes projets en production.
Avant d’apparier quoi que ce soit, on mesure les données. Voici 10 enregistrements Amazon et 13 enregistrements Google du benchmark public Amazon-Google. Choisissez un contrôle pour voir ce qu’il signale.
Enregistrements Amazon
Enregistrements Google
La force brute compare chaque enregistrement à tous les autres. Ici, chaque enregistrement Amazon face à chaque enregistrement Google : un carré par comparaison.
Faites grossir les données
Dix fois plus d’enregistrements, c’est cent fois plus de comparaisons. C’est le goulot d’étranglement à traiter avant tout appariement.
Le même goulot d’étranglement dans un de mes projets en production, étape par étape. Les chiffres viennent de ce projet ; la méthode de réduction elle-même n’est pas montrée.
- Contrôles de qualité des données
- Réduction des candidatsméthode non montrée
- Appariement détaillé
- Revue humaine des cas limites
Demande : effacer tous les enregistrements de Nora Keller, née le 12/03/1984.
Enregistrements fictifs : l’exemple de ma publication LinkedIn.
Réalisations
- Qualité des données
Entity resolution à l’échelle du milliard
Retrouver les enregistrements qui décrivent la même entreprise ou la même personne dans des bases sans identifiant commun. 1,25 milliard de paires candidates ramenées à environ 40 000 comparaisons.
Lire l’étude de cas - Recherche
D-HAT : appariement non supervisé d’enregistrements hétérogènes
Une méthode d’appariement qui ne demande aucune donnée étiquetée. 30 % de F1 en plus que la meilleure méthode non supervisée, en 1 minute au lieu de 6 heures.
Lire l’étude de cas - Vie privée et données de santé
Relier des dossiers de santé sous fortes contraintes de confidentialité
Dossiers patients américains appariés avec des données de remboursement, sur des millions d’enregistrements, avec une accuracy de 87 %.
Lire l’étude de cas - IA frugale
Choisir le modèle qui justifie son coût
Quatre LLM open-weight comparés sur données réelles. Celui mis en production est 16,5 fois plus petit et 91 % moins cher que le premier choix, et hébergé en France.
Lire l’étude de cas - IA générative en production
Des analyses rédigées par un LLM, décidées par le code
Le code calcule chaque indicateur et applique les règles métier. Le modèle rédige uniquement à partir de faits vérifiés, et chaque évolution doit passer un jeu de test fixe avant sa mise en ligne.
- Recherche documentaire
Un assistant documentaire qui cite ses sources
Il répond aux questions sur une grande bibliothèque de rapports et indique la page exacte. Chaque amélioration de la recherche a été testée séparément, et seules celles qui justifiaient leur coût ont été gardées.
“We are drowning in information but starved for knowledge.”
- Parcours
- Plus de 15 ans dans la donnée : sept ans à administrer des bases de production chez CMA CGM, un master en machine learning, un doctorat en informatique au LIRIS (Université Claude Bernard Lyon 1), puis données de santé, prévision de mobilité et IA générative en production.
- Contexte
- Multilingue et multinationale. Études dans des universités en France et en Allemagne ; parcours dans un grand groupe établi, en startups, en conseil et en recherche académique avec des partenaires hospitaliers.
- Thèmes
- Entity resolution et qualité des données, ingénierie des données et de la vie privée pour l’IA, et la partie technique du passage de l’IA de la recherche à la production.
- Projets perso
- Toujours quelques-uns sur le feu, dans l’IA et au-delà.
- Hors travail
- La mer. Fascinée par les marées, plongeuse niveau 1, et heureuse en randonnée dans la nature.
- Basée à
- Lyon, France.
# about.md # Loujain Liekah ## Parcours Plus de 15 ans dans la donnée : sept ans à administrer des bases de production chez CMA CGM, un master en machine learning, un doctorat en informatique au LIRIS (Université Claude Bernard Lyon 1), puis données de santé, prévision de mobilité et IA générative en production. ## Contexte Multilingue et multinationale. Études dans des universités en France et en Allemagne ; parcours dans un grand groupe établi, en startups, en conseil et en recherche académique avec des partenaires hospitaliers. ## Thèmes Entity resolution et qualité des données, ingénierie des données et de la vie privée pour l’IA, et la partie technique du passage de l’IA de la recherche à la production. ## Projets perso Toujours quelques-uns sur le feu, dans l’IA et au-delà. ## Hors travail La mer. Fascinée par les marées, plongeuse niveau 1, et heureuse en randonnée dans la nature. ## Basée à Lyon, France.
Articles
Les versions longues de ce que je publie sur LinkedIn : qualité des données, entity resolution, vie privée et IA mesurée avant d’être déployée.
On ne peut pas supprimer ce qu’on ne trouve pas
Pourquoi une demande d’effacement RGPD est, au fond, un problème d’entity resolution, et pourquoi le même angle mort vous suit jusqu’à l’entraînement de l’IA.
Aussi sur LinkedIn :
- Cinq améliorations de RAG, mesurées une par une
- Un graphe de connaissances sans appel LLM à la requête
- Toutes les entités ne se valent pas : ancres et hubs
- Combien de GPU faut-il pour une IA souveraine ?
Parcours
- Depuis 2025
Lead Data Scientist, ADEQUATION
IA générative en production, choix frugaux de modèles et d’infrastructure, assistant documentaire, entity resolution, sécurité de l’IA et modèles causaux. Responsable technique d’un programme Bpifrance Pionniers de l’IA. Mentorat de deux data scientists juniors et formation de toute l’entreprise à l’IA.
- 2025
Senior Data Scientist, Fablab Inetum
Mission de conseil : prévision horaire de la demande de vélos en libre-service à partir de données géospatiales et socio-économiques.
- 2024
Senior Data Scientist, Ryte
Appariement de dossiers patients américains avec des données de remboursement, sur des millions d’enregistrements, avec une accuracy de 87 %.
- 2020 à 2023
Chercheuse, LIRIS, Université Claude Bernard Lyon 1
Appariement d’entités et clustering de données patients longitudinales, dans le projet Horizon 2020 QUALITOP.
- 2017 à 2019
Master Machine Learning et Data Mining, Université Jean Monnet
Semestre Erasmus à l’Université de Fribourg. Stages de recherche à l’IRIT (Toulouse) et au Laboratoire Hubert Curien.
- 2010 à 2017
Administratrice de bases de données et ingénieure logiciel, CMA CGM
Bases de données de production et automatisation des opérations portuaires. Management d’une équipe de cinq administrateurs systèmes.
Publications
- Clustering multivariate longitudinal data: application on disease progression modeling. MDAI 2023.
- Déduplication sur des types d’attributs hétérogènes. EGC 2023.
- Deduplication over heterogeneous attribute types (D-HAT). ADMA 2022.
- A review of healthcare recommender systems. Livrable du projet QUALITOP.
Compétences
- Leadership
- Stratégie IA et feuilles de route, arbitrages acheter ou développer, recrutement et mentorat, communication avec les dirigeants et les métiers
- Données
- Entity resolution, appariement d’enregistrements, qualité et intégration des données, graphes de connaissances, données d’entraînement respectueuses de la vie privée
- IA générative
- LLM (Mistral, Llama, Qwen), RAG, recherche hybride, évaluation de LLM, prompt engineering, agents
- Infrastructure
- IA frugale et souveraine, dimensionnement GPU, vLLM, Docker, FastAPI, CI/CD, MLflow, Databricks, Azure, OVHcloud, AWS, GCP
- Sécurité et gouvernance
- Défenses contre l’injection de prompts, contrôle de la provenance des modèles, gestion des accès, veille sur l’AI Act européen
- Machine learning
- Inférence causale, analyse de survie, prévision, PyTorch, XGBoost, SHAP, Python, SQL, PySpark