Alexis Evor (Alexis E.VO)

Je porte chaque projet du premier atelier jusqu’à la mise en production. Le produit principal est une couche de confidentialité pour cabinets comptables installée sur leurs propres machines : pseudonymisation locale des données avant envoi au modèle, table de correspondance locale pour reconstituer les valeurs dans les réponses, et isolation dossier-par-dossier. Un pipeline agentique transforme des pièces en écritures validées au format FEC (avec règles fixes pour les cas courants et passage contrôlé par modèle pour les cas difficiles afin de réduire la consommation de tokens). Les experts disposent d’une équipe d’agents spécialisés (révision, TVA, veille fiscale, bilan) qui consultent des sources officielles (Sirene, BOFiP, Légifrance) pour rendre les réponses vérifiables. Déploiements réalisés chez 25 cabinets en production.

I lead projects from initial workshops through production rollout, building privacy-preserving AI systems that run on clients’ own machines. The core product pseudonymises accounting files locally (names, company numbers, and bank details), runs an agentic pipeline that validates entries in the required French FEC format while routing hard cases to the model to keep token costs predictable, and re-keying results back to real values via a local lookup table. Agents also consult official French sources (Sirene, BOFiP, Légifrance) so outputs remain checkable. I work with multiple accounting firms already using the product in production, improving reviewer time and reducing weekly manual workload for junior staff. I also deliver paid prototypes and production deployments, including customer support chat assistants for online shops and automation of counting/reporting workflows in factories.

Chez Onfido, j’ai piloté des releases avec les équipes engineering et machine learning : planification, tests A/B, suivi post-lancement. J’ai rejoint le Fraud Lab pour développer la détection de deepfakes : coordination de l’évaluation et de la sortie de modèles lorsque les attaques par deepfake ont fortement augmenté. Je suivais les benchmarks avec les chercheurs, reproduisais les problèmes signalés, cadrais les correctifs avec l’ingénierie, puis j’alignais les améliorations en production.