Consultante Senior GenAI & Data Science · Portfolio Freelance

De Lead DS
à fondatrice
& experte IA

J'accompagne les directions techniques et stratégiques dans la conception, le prototypage rapide et l'industrialisation de solutions d'intelligence artificielle et d'automatisation de pointe.

Architectures Agentiques CrewAI · LangChain LLM & RAG 7 ans Data Science Lead DS à 25 ans Dispo : 3 - 5 jours/ semaine TJM : 700 € - 900 €
Mon parcours Rexel → Mon projet Ceylook → Offre freelance →
Ceyla Simeu
👤
Ajoute ta photo ici
Ceyla Simeu
Paris · Remote
LinkedIn Malt
01 — Expérience terrain

4 ans Lead DS
chez Rexel

Promue Lead Data Scientist à 25 ans dans un groupe international côté en bourse, j'ai piloté des projets IA à fort impact dans 15+ pays — de la conception des modèles jusqu'à leur mise en production. Une expérience qui m'a appris à livrer sous contrainte, à embarquer des parties prenantes exigeantes, et à faire fonctionner l'IA dans des environnements réels et complexes.

2021 — 2025
Lead Data Scientist
REXEL · Paris · 15+ pays
Pilotage de l'implémentation technique de solutions IA à l'international. Management d'une équipe de 3 Data Scientists + coordination transverse avec PO et Deployment Leads.
2018 — 2021
Data Scientist
REXEL · Paris
Développement d'algorithmes complexes en production : logistique industrielle, assortiment agences (profondeur et largeur de gamme), A/B testing avec les équipes métier.
2017 · 4 mois
Data Scientist Stagiaire
GRDF
Segmentation de séries temporelles clients pour la prédiction de consommation énergétique (Gazpar).
15+
Pays couverts par les déploiements IA
25
Âge de ma promotion Lead Data Scientist
3
Projets IA majeurs livrés en production internationale
Pilotage supply chain en centre logistique — illustration
Illustration · Prévision de charge & staffing logistique
Prédiction de la charge de préparation en Centres Logistiques
2 centres pilotes · Azure · ML

Modèles de prédiction de la charge logistique (Séries temporelles, DTW, Random Forest, XGBoost) pour ajuster le nombre d'intérimaires tout au long de la journée. Intégration de flux de données en temps réel (bases SQL/Oracle) via une pipeline automatisée toutes les 30 minutes sur Azure, avec restitution directe sur Excel pour les responsables.

Déploiement sur Meung-sur-Loire et Tournefeuille, modèles 2 fois plus performants que la méthode historique, avec 16% à 33% de gain additionnel entre la V1 et la V2.
Entrepôt logistique optimisé par IA — illustration
Illustration générée · Optimisation logistique & supply chain
Optimisation des Stocks & Branch Assortment
Retail · 4 pays · 8 marques

Modèles de prédiction des ventes (probabiliste, ML, ARIMAX, séries temporelles) et d'optimisation (Pulp) déployés en production à l'échelle internationale pour les agences et centres logistiques Rexel. Optimisation de la profondeur et de la largeur de gamme des produits vendus en magasin. Modèle de simulation pour la gestion des niveaux de stocks et de stock de sécurité en Centre Logistique.

Augmentation des ventes en magasin · Réduction des ruptures de stock et des surstocks sur marchés européens et américains.
Centrale électrique et empreinte carbone — illustration
Illustration · Tracking carbone sur produits électriques
Carbon Tracker — Empreinte Environnementale Produits
RSE · ESG · 10+ pays en Europe

Architecture d'un calculateur d'empreinte carbone mesurant l'impact environnemental de milliers de références de produits électriques. Analyse fine et amélioration de la donnée produit. Utilisé par les équipes RSE et commerciales.

Solution déployée dans le reporting ESG du groupe, exploitée dans le dashboard client "Carbon Tracker" et intégrée dans les recommandations produit du webshop.
Dashboard de personnalisation client B2B — illustration
Illustration · Personnalisation offres clients B2B
Moteur de Personnalisation Offres B2B
Personalisation · ML

Algorithme de scoring et de segmentation clients générant des offres commerciales personnalisées automatiquement pour les comptes B2B Rexel, à l'échelle de millions de références.

Automatisation des offres sur des dizaines de marchés, impact direct sur le chiffre d'affaires.
02 — Mon projet Ceylook

L'IA au service
du style durable

🎯

Le problème résolu

70% des vêtements d'une garde-robe ne sont jamais portés. Les gens achètent par réflexe, pas par style. Ceylook inverse ça : d'abord exploiter ce qu'on a, ensuite acheter mieux.

✨

La solution

Une véritable assistante mode virtuelle. Au fil d'une simple discussion, elle analyse le style, la météo et les tendances pour créer des tenues personnalisées depuis le dressing actuel, et proposer des pièces sélectionnées chez des marques éthiques partenaires.

🏗️

Stack technique

Architecture multi-agents (CrewAI) opérationnelle, serveurs IA sur Docker (docker-compose), RAG sur collections designers et sur nos blogs mode (Knowledge Base). Mobile-first, déploiement Android et iOS.

📈

Où j'en suis

Bêta Android 1 000 utilisateurs testeurs actifs sur la version bêta.
Lancement iOS Juin 2026 sortie officielle de l'application planifiée.
La stack Technologique

Architecture
multi-agents

---
config:
  theme: base
---
graph TD
    classDef ui fill:#ffffff,stroke:#218838,color:#19270a,font-weight:bold
    classDef data fill:#f4efe6,stroke:#8a704d,color:#19270a,font-weight:bold
    classDef docker fill:#fffdf8,stroke:#19270a,color:#19270a,font-weight:bold
    classDef crew fill:#e8ddca,stroke:#218838,color:#19270a,font-weight:bold
    classDef output fill:#ffffff,stroke:#8a704d,color:#19270a,font-weight:bold
    subgraph L1 [1. INTERFACE UTILISATEUR]
        U1[Demander un Look]:::ui
        U2[Discuter avec le Chatbot]:::ui
        U3[Explorer la Garde-Robe]:::ui
        U4[Uploader une Photo]:::ui
    end
    subgraph L2 [2. SERVEURS IA DOCKER]
        C1[outfit_reco]:::docker
        C2[chat_server]:::docker
        C3[clothes_predictor]:::docker
        C4[features_detector]:::docker
    end
    subgraph L3 [3. DATA & CONTEXTES]
        D1[(Météo Évolutive)]:::data
        D2[(Profil & Contexte User)]:::data
        D3[(Catalogue Magasins)]:::data
        D4[(Mon Dressing / Closet Catalog)]:::data
    end
    subgraph L4 [4. AGENTS & OUTILS CREWAI]
        M1[[Agent Recommendeur]]:::crew
        M2[[Outil: RagSearchBlog]]:::crew
        M3[[Outil: RagSearchStore]]:::crew
        M4[[Outil: RagSearchUserCollection]]:::crew
    end
    subgraph L5 [5. AFFICHAGE FINAL]
        R1[Fiche Look du Jour]:::output
        R2[Conseil / Réponse Texte]:::output
        R3[Fiche Produit Boutique]:::output
        R4[Fiche Vêtement Dressing]:::output
    end
    U4 -->|Upload photo| C3
    C3 -->|1. Détecte le vêtement| C4
    C4 -->|2. Extrait les caractéristiques| D4
    U1 --> D1 & D2
    D1 & D2 --> C1
    C1 --> M1
    M1 --> R1
    U2 --> C2
    C2 --> M2
    M2 --> R2
    U3 --> D4
    D4 --> M4
    M4 --> R4
    D3 --> M3
    M3 --> R3
Pourquoi une architecture multi-agents ?
Chaque agent est spécialisé sur une tâche précise (détection de features sur les vêtements, recherche RAG dans le blog mode qu'on a construit, recommandation de look...). Le Router orchestre dynamiquement le bon chemin selon le besoin utilisateur — chaque chemin mène à un type d'output qui se traduira par un design spécifique de l'interface directement dans le chat. Le même principe qu'un pipeline d'IA type ChatGPT, appliqué au styling.
L'Interface

Les différents
screens de l'app

CeyliA est la couche produit visible de l'architecture: un point d'entrée conversationnel, des raccourcis d'actions, des recommandations de looks dans le chat et une vue dressing enrichie par nos modèles de prédiction.

CeyliA Welcome Screen
Ecran du chat CeyliA avec les boutons d'action de l'assistante virtuelle

CeyliA Welcome Screen

Le point d'entrée principal de l'assistante. Les boutons rendent l'expérience directe et orientent l'utilisateur vers les principaux parcours: discuter, demander un look, explorer son dressing ou lancer une action ciblée.

Chat with CeyliA
Conversation mode dans laquelle l'utilisateur pose une question mode a CeyliA et recoit une reponse specialisee

Chat with CeyliA

Un échange naturel où l'utilisateur pose une question mode et reçoit une réponse contextualisée. C'est ici que l'IA spécialisée traduit les signaux de style, de contexte et de préférence en conseil utile.

Look Recommendation
Recommandation de look generee directement dans le chat par l'assistante CeyliA

Look Recommendation

La recommandation de tenue apparaît directement dans le fil de discussion. L'interface met en scène la réponse IA comme un objet produit prêt à être exploré, accépté ou refusé par l'utilisateur.

User Closet
Vue dressing utilisateur avec les vetements stockes et leurs caracteristiques predites

User Closet

Le dressing agrège toutes les pièces de l'utilisateur avec leurs attributs prédits. Cette vue structure la donnée mode de façon exploitable par les agents de recommandation, de recherche et de contextualisation.

03 — Expertise

Ce que j'ai
appris en construisant

IA Agentique

  • CrewAI — coordination multi-agents nouveau
  • LMStudio — orchestration LLM nouveau
  • RAG — retrieval sur données propriétaires nouveau
  • Prompt Engineering avancé nouveau

Architecture & Déploiement

  • Google Cloud Platform — hébergement des données nouveau
  • API — coordination des flux entre applications et modèles nouveau
  • BigQuery — analyse de données à grande échelle nouveau
  • Docker — containerisation de nos serveurs IA
  • Python, SQL, Git

Data Science

  • Computer Vision — Clothes & Features Predictor nouveau
  • Recommandation Contextuelle — Outfit Recommender nouveau
  • Optimisation stocks & supply chain — Branch Assortment
  • Calcul empreinte environnementale des produits — Carbon Tracker
  • CLIP, TensorFlow, Scikit-learn, Pulp

Product & Stratégie

  • Pitch & fundraising nouveau
  • Partenariats B2B nouveau
  • Vision produit & roadmap IA
  • Agile / Product Ownership
  • Management transverse

Organisation & Outils

  • Google Workspace (full stack) nouveau
  • GitHub & Notion — gestion projet nouveau
  • Google AI Studio — mini-apps IA nouveau
  • Azure Portal & DevOps
  • Power BI, Copilot

Soft skills startup

  • Prise de décision en environnement incertain nouveau
  • Adaptabilité technique nouveau
  • Résolution de problèmes end-to-end
  • Communication technique/business
  • Networking & personal branding
04 — Conseil

Mon offre
freelance

01
✦ Rexel · 7 ans

Modélisation prédictive & Optimisation

Modèles prédictifs déployés en production

Prédiction de ventes, optimisation de stocks, segmentation clients. J'ai livré ces modèles à l'échelle internationale chez Rexel — je sais les construire, les expliquer aux métiers, et les mettre en prod.

  • Modèle de prédiction de ventes
  • Optimisation d'assortiment & stocks (supply chain, retail)
  • Empreinte carbone produit (calcul et suivi)
  • Offres clients personnalisées — scoring & segmentation
Retail Supply chain RSE B2B
02
✦ Ceylook · CeyliA

Déploiement IA Agentique

Du prototype au système multi-agents en production

Nous avons conçu et déployé de A à Z l'architecture agentique de Ceylook : modèles IA, serveurs Docker, agents CrewAI, RAG sur données propriétaires. Je reproduis cette capacité pour vos cas d'usage métier.

  • Architecture multi-agents sur mesure (CrewAI, LMStudio)
  • RAG sur vos données internes (documents, catalogues, historiques)
  • Automatisation de workflows répétitifs à haute valeur
  • Intégration LLM dans vos outils existants via API
CrewAI RAG LLM Docker GCP
03
✦ Ceylook · Hyper-Personnalisation

Données et Recommandation Produit

Systèmes de recommandation contextuels et intelligents

Nous avons développé pour Ceylook un moteur de recommandation hybride combinant Computer Vision (CLIP), données contextuelles (météo, usage) et agents IA. Applicable à tout secteur avec un besoin de personnalisation produit.

  • Computer Vision — détection & amélioration des attributs produits
  • Moteur de recommandation contextuel
  • Personnalisation d'expérience client
Computer Vision CLIP Recommandation E-commerce
04
✦ Rexel · 15 pays

Cadrage & Prototypage projet IA

De l'idée au proof-of-concept fonctionnel

J'ai mené des projets IA de bout en bout dans des environnements complexes (multi-pays, multi-équipes). Je vous aide à transformer une intuition métier en prototype IA validé — sans perdre de temps sur des mauvais cas d'usage.

  • Définition du cas d'usage IA le plus rentable pour votre contexte
  • Choix de l'architecture technique adaptée (make vs buy)
  • Prototype fonctionnel livré en quelques semaines
  • Présentation exécutive des résultats & next steps
POC Streamlit Agile Management transverse

Disponible 3 jours par semaine — remote ou Paris. TJM : 700 – 900 €/j selon la mission. Facturation via Ceylook SAS. Profil Malt : malt.fr/profile/ceylasimeu

05 — Contact

Vos enjeux
actuels ?

Cadrer une initiative GenAI ou IA Agentique ? Vous souhaitez automatiser des processus ou déployer des agents basés sur vos données propriétaires sans perturber vos systèmes actuels ?

Besoin d'optimiser des pipelines de données existants ? Qu'il s'agisse de modèles prédictifs, de séries temporelles, d'optimisation opérationnelle ou d'indicateurs d'impact environnemental (RSE).

Un prototype fonctionnel à livrer sous quelques semaines ? Pour tester une idée marché ou valider la faisabilité technique avant d'allouer d'importants budgets de R&D.

Démarrer une collaboration flexible ? Je cherche à m'investir sur des défis techniques stimulants où mon expertise peut créer de l'impact immédiat.

Ceyla Simeu

Fondatrice Ceylook · Ex-Lead Data Scientist · Consultante IA

Réserver un créneau → Voir mon profil Malt →
Presse & visibilité

Ceylook présenté sur M6

Un extrait de notre passage sur M6 pour présenter Ceylook, la vision du produit et la manière dont l'application rend l'IA concrète dans l'expérience utilisateur.