Master Ingénierie de la Santé
Parcours Intelligence Artificielle en Santé
Centrale LilleGabrielle Caneval · Paris, France
AI EngineerGenerative &
Agentic AI.
I design, build and evaluate AI systems using LLMs, RAG and multi-agent architectures.
AI Engineering · Generative AI · Agentic Systems · Applied Research
LLM · RAG · Multi-Agent Systems · LangGraph · PythonFaire connaissance
01 À propos
Une culture scientifique. Une pratique d’ingénieure.
J’ai commencé par la biologie, la biochimie et les biotechnologies. J’y ai appris à formuler une hypothèse, construire une expérience et analyser ce que les données permettent réellement de conclure.
Je me suis ensuite spécialisée en intelligence artificielle pour travailler sur la modélisation et l’automatisation. Aujourd’hui, je conçois, implémente et évalue des systèmes fondés sur les LLM, le RAG et les architectures agentiques.
Je souhaite aller plus loin dans l’intégration et le déploiement d’applications IA utiles aux métiers. Les sciences du vivant restent un domaine d’expertise ; mes intérêts s’étendent à d’autres industries.
Gabrielle Caneval
Formation & langues
Double diplôme
Biologie, Biochimie & Biotechnologies
- Assistante Ingénieure en Biologie-Biochimie-Biotechnologie - ESTBB
- Licence Sciences Technologies Santé, mention Biologie et Biotechnologies - CNAM
- French - Native
- English - C1
- Spanish - B1
02 Expérience
Implémenter, expérimenter, évaluer.
Capgemini Engineering
AI Engineer - Research & Innovation
Implémenter des pipelines d’inférence et évaluer la fiabilité de leurs sorties sur des données médicales réelles.
Missions & méthodes
- Intégration de 4 VLM pour la radiologie thoracique : adaptation des scripts, automatisation des exécutions, debugging, validation des sorties et reprise des traitements.
- Conception et mise en œuvre d’une évaluation quantitative et clinique ; analyse de 2 100 évaluations et des limites des métriques automatiques pour mesurer la fiabilité médicale.
- Développement de pipelines reproductibles avec Python, PyTorch et Hugging Face, sous Linux sur GPU/DGX.
- Présentation des résultats à des publics techniques et non techniques ; contribution à un article scientifique en préparation.
Travail autour des LLM/VLM, du RAG, du Prompt Engineering, de la Self-Consistency et de LoRA.
ERPI · Université de Lorraine
Research Engineer Intern
Associer LLM et ontologies OWL/RDF pour améliorer l’ancrage sémantique et réduire les hallucinations dans la génération de scénarios XR.
Missions & méthodes
- Conception et implémentation d’un pipeline hybride ; comparaison expérimentale du Prompt Engineering, du RAG et de QLoRA avec Mistral et DeepSeek.
- RAG identifié comme configuration la plus fiable dans cette expérimentation.
- Revue systématique de 953 publications et contribution à un article scientifique en soumission.
Adocia
R&D Assistant Engineer Intern
Développement et validation de méthodes ELISA en R&D pharmaceutique.
Missions & méthodes
- Analyse sous GraphPad, validation selon les critères FDA/EMA et déploiement des méthodes validées.
- Rédaction de SOP en anglais et présentation à une équipe multidisciplinaire.
Première expérience de recherche · Institut Pasteur, 2023
Stage d’assistante ingénieure en Guadeloupe, de juin à septembre 2023. Criblage de propriétés antivectorielles de plantes contre Aedes aegypti, protocoles expérimentaux et analyse statistique sous GraphPad Prism.
03 Projets sélectionnés
Trois projets. Trois façons de construire.
Orchestration IA, découverte scientifique et suivi sportif. Ouvrez un projet pour découvrir sa réalisation.
1 / 3 · MedDiag IA
04 Compétences
Les outils derrière les projets.
Generative & Agentic AI
- LLM / VLM
- RAG
- Multi-Agent Systems
- LangGraph
- Prompt Engineering
- LoRA / QLoRA
- Hugging Face
AI & Deep Learning
- Python
- PyTorch
- Transformers
- Deep Learning
- Generative Modeling
- Model Evaluation
Engineering
- FastAPI
- REST APIs
- React / Next.js
- Git / GitLab
- Linux
- GPU / DGX
Research & Evaluation
- Experimental Design
- Reproducibility
- Statistical Analysis
- Scientific Literature Review
- Scientific Writing
Domain Knowledge
- Healthcare AI
- Medical Imaging
- Clinical Data
- Life Sciences
05 Recherche
Documenter ce que l’on construit.
Hybridizing Large Language Models and Ontologies for the Automated Generation of XR Learning Scenarios
Contribution scientifique issue du travail sur les LLM et les ontologies : comparaison du Prompt Engineering, du RAG et de QLoRA.
Évaluation des VLM en imagerie médicale
Contribution à un article scientifique en cours de rédaction, à partir du travail d’implémentation et d’évaluation. Manuscrit non disponible publiquement.
06 Contact
Quel système IA construisons-nous ensuite ?
Je recherche un poste en AI Engineering pour développer des applications GenAI, intégrer des systèmes agentiques et les évaluer sur des cas d’usage métiers.
Ouverte aux opportunités dans différents secteurs, en France ou à l’international.
Disponibilité : septembre 2026 · CDI / CDD