Data Scientist — Strasbourg, France

Romain Hild

Dix ans à faire dialoguer mathématiques appliquées et apprentissage automatique — du laboratoire de recherche à la production industrielle.

Romain Hild
10+ pays où le logiciel est utilisé en hôpital
95% précision de segmentation d'image CT
90% précision de standardisation LLM multilingue
82% de réduction d'itérations grâce à un modèle d'IA

Profil

Data Scientist chez GE HealthCare depuis 2022, je conçois et déploie des modèles de Machine Learning et de Deep Learning utilisés dans des hôpitaux de plus de dix pays. Mon parcours est passé par la recherche — un doctorat en mathématiques appliquées et plusieurs années comme ingénieur de recherche — avant de rejoindre l'industrie. J'aime transformer des problématiques complexes en solutions data concrètes, et je complète aujourd'hui mes compétences en MLOps et en gestion de projet data via une formation Machine Learning Engineer.

Expérience

Data Scientist

06/2022 — Présent
GE HealthCare — Strasbourg, France
  • Développement et déploiement en production d'un logiciel utilisé dans des hôpitaux de plus de 10 pays pour l'extraction de données médicales des examens (bases de données, API REST).
  • Conception d'un outil d'annotation automatique de la qualité d'image CT : segmentation d'organes à partir d'images 3D, jusqu'à 95% de précision.
  • Application d'un LLM pour standardiser des noms de protocoles médicaux multilingues (précision de 90%), avec génération de données synthétiques pour l'entraînement.

Ingénieur de recherche

10/2018 — 05/2022
Université de Strasbourg
  • Modèle d'IA accélérant la convergence de la méthode de Newton pour des équations aux dérivées partielles elliptiques non linéaires — réduction d'au moins 82% du nombre d'itérations (publication scientifique).
  • Projet IBAT : modélisation thermique combinant modèles physiques, IA et données de capteurs (Building Information Model) ; microservices REST (Node.js) ; encadrement de stagiaires.
  • Projets MOR_DICUS (bibliothèque open-source de réduction de modèle, avec EDF R&D et SAFRAN) et Eye2Brain (méthodes mathématiques décrivant les relations œil-cerveau).

Ingénieur

09/2014 — 08/2015
Plastic Omnium — Lyon, France
  • Parallélisation d'un code de calcul aérodynamique instationnaire et validation par comparaison avec des données existantes.
  • Méthodes de résolution non standard des équations de Navier-Stokes avec conditions aux limites particulières, à l'aide d'une base modale.

Compétences

Machine Learning & IA

Python TensorFlow PyTorch Keras Deep Learning NLP / LLM RAG

Programmation & Data

Python SQL C++ MATLAB Fortran

MLOps & Outils

Git Docker MLflow Kubernetes Airflow Jenkins MongoDB CMake Jupyter

Cloud

AWS (certification Cloud Practitioner en préparation)

Langues

Français — langue maternelle Anglais — courant (technique, écrit et oral)

Formation

Machine Learning Engineer

En cours
Liora
  • Gestion de projet data : Data Product Management, agilité, gouvernance des données et RGPD.
  • MLOps : MLflow, Docker, Kubernetes, Airflow ; suivi d'expérience et versioning (Weights & Biases, DVC).
  • LLMs & Gen AI : Transformers, RAG, LLMOps, agentic design patterns.

Doctorat en Mathématiques Appliquées

2015 — 2020
Université de Strasbourg

Optimisation et contrôle de champs magnétiques intenses ; problèmes non linéaires couplés en contexte industriel.

Publications & Conférences

Une thèse soutenue en 2020 à l'Université de Strasbourg, deux publications (ESAIM: Proceedings and Surveys ; Communications in Nonlinear Science and Numerical Simulation), et 7 communications dans des conférences internationales (CEMRACS, EMF, MT25, MT26, MoRePas, CANUM, EMFL Days) entre 2015 et 2019, menées en collaboration avec EDF R&D, SAFRAN et l'École des Mines de Paris.

Contact

Toujours curieux d'échanger sur la data, le ML ou l'IA générative — n'hésitez pas à me contacter.