À propos
Des mathématiques à l'intelligence des machines
Je suis ingénieur et mathématicien. Depuis plus de vingt ans, je construis des systèmes qui apprennent à partir des données : comme consultant, comme cofondateur de startup, comme directeur du machine learning dans un grand groupe, et comme développeur open source prolifique.
Aujourd'hui, je mets l'IA au travail : j'installe des agents IA autour de la façon dont les personnes et les équipes travaillent vraiment (voir la page d'accueil), et je dirige la technique de startups comme CTO à temps partagé.
Open source
Un développeur actif, en public
J'écris des outils réutilisables depuis bien plus de dix ans, et je les publie. En novembre 2026, cela fait 290 paquets Python sur PyPI, avec plus de 4 000 versions publiées sur les douze derniers mois, et 73 paquets JavaScript et TypeScript sur npm, tous publiés cette année. Les crates Rust sur crates.io sont la prochaine étape. La plupart naissent de la même façon : je résous un problème pour un projet, je vois que j'en aurai encore besoin, et j'en fais un paquet à part.
Python : les fondations, l'intégration de l'IA, le son et l'image
Les paquets auxquels je tiens le plus sont les fondations, les petits outils sur lesquels tout le reste repose. dol offre une seule interface de type dictionnaire pour n'importe quel stockage : votre code lit et écrit store[key] sans se soucier de savoir si les octets sont dans des fichiers, sur S3, dans MongoDB ou dans une base vectorielle, et plus de vingt paquets *dol y branchent des stockages précis. meshed compose de simples fonctions en graphes acycliques (DAG), en les reliant par le nom de leurs arguments, et i2 gère les signatures et les wrappers sous les deux. Ensuite, qh transforme une fonction Python en service HTTP, et py2mcp transforme la même fonction en outil qu'un agent IA peut appeler par le Model Context Protocol. On écrit la fonction une fois et on l'expose comme il le faut. wads et epythet s'occupent du packaging, de l'intégration continue et de la documentation : c'est ainsi qu'une seule personne peut publier autant de paquets.
L'essentiel de mon travail récent porte sur l'intégration de l'IA. aix place une seule interface Python devant de nombreux fournisseurs de modèles. imbed et vd gèrent les embeddings et la recherche vectorielle sur une quinzaine de bases, et ir et raglab construisent par-dessus la recherche documentaire et la recherche agentique. Un groupe plus récent outille les agents de programmation eux-mêmes : crowsnest surveille toutes mes sessions Claude Code et me dit laquelle a besoin de moi, openloops suit ce que les agents ont laissé en suspens, et annals permet à un agent de publier un rapport sur une page que je lis sur mon téléphone. De plus en plus de mes paquets livrent aussi des skills pour agents et une documentation lisible par les machines, pour qu'un agent puisse s'en servir sans que j'aie à lui expliquer.
Les mêmes habitudes se retrouvent dans le son, l'image et la musique. voxy et scribed placent une seule interface devant les moteurs de synthèse et de transcription vocales. an transforme une scène écrite en animation, et muvid fabrique des clips musicaux. tonal, arioso et accompy couvrent l'analyse musicale, la génération de musique par IA et les accompagnements à partir de grilles d'accords.
JavaScript et TypeScript : zodal et acture
Quand mon travail est passé dans le navigateur, mes habitudes Python ont suivi : une seule source de vérité, des petites couches qui se composent, et une façade simple devant tout ce qui est compliqué.
La plus grande famille est zodal. Vous décrivez vos données une fois, sous forme de schéma Zod, et @zodal/core en déduit le reste : les colonnes d'un tableau, les champs d'un formulaire, les filtres qui ont un sens, et l'état qui contient le tout. Un fournisseur de stockage lit et écrit ensuite ces données là où elles se trouvent, dans le stockage du navigateur, des fichiers, S3, Supabase ou une API REST, et son interface est une traduction directe de dol. La même idée couvre maintenant les réglages (@zodal/dials-core), les éléments rangés dans plusieurs dossiers à la fois (@zodal/groups-core) et les graphes (@zodal/graph-core).
L'autre famille est acture, une couche de répartition des commandes. Dans la plupart des applications, une même action, disons « appliquer un filtre », est câblée à la main sur un bouton, puis un raccourci clavier, une palette de commandes, un test, et maintenant un assistant IA. Cinq copies de la même chose finissent par diverger, et l'assistant garde une idée périmée de ce que l'application sait faire. Avec acture, on déclare l'action une fois, comme une commande nommée avec un schéma typé, et chaque surface lit cette déclaration unique : raccourcis, palette, appels d'outils de l'assistant, point d'accès MCP, tests de bout en bout et annulation. Elle s'adopte aussi sur du code existant, un gestionnaire à la fois. J'en ai écrit le raisonnement dans un article (en anglais).
Les autres sont des outils plus petits. Plusieurs sont les jumeaux TypeScript de mes paquets Python, pour que la même logique tourne des deux côtés, comme chordsym pour les symboles d'accords. D'autres sont autonomes : sigilsmith dessine des avatars et des icônes déterministes, et pyfiddle construit des pages avec des cellules Python exécutables.
Le code : github.com/thorwhalen et github.com/i2mint. Je suis aussi le principal contributeur du paquet Python de Cosmograph, pour visualiser de grands graphes et des embeddings.
Parcours
Vingt ans, le plus souvent au début des choses
- 2023 – aujourd'hui
Cosmograph (Figiri)
Cofondateur, Director of AI
Des outils de visualisation accélérée par GPU et d'apprentissage automatique pour explorer des graphes et des espaces d'embeddings : des interfaces interactives pour naviguer par le sens dans la recherche documentaire, la recommandation et la recherche par similarité.
- 2023
Addix Group
Consultant en intégration de l'IA
Aidé des organisations à adopter les modèles de langage. Preuves de concept pour la mise en correspondance de CV, une plateforme d'IA sans code et des assistants fondés sur la recherche documentaire.
- 2018 – 2023
Analog Devices
Directeur du machine learning
Dirigé les plateformes et les outils de machine learning pour l'IoT et le traitement du signal. Construit les frameworks Python qui ont unifié l'accès aux données, l'ingénierie des features et l'expérimentation, accompagné les équipes de science des données et orienté la stratégie IA de l'entreprise.
- 2016 – 2018
OtoSense
Cofondateur, CTO
Reconnaissance des sons et des vibrations. J'ai dirigé l'architecture et l'apprentissage automatique, et écrit les modèles derrière quatre dépôts de brevet. Rachetée par Analog Devices en 2018 (plus bas).
- 2014 – 2016
Commanders Act (TagCommander)
Lead data scientist
Modèles d'attribution, ciblage comportemental, analyse des parcours de navigation et séries temporelles d'indicateurs pour le marketing.
- 2011 – 2014
Expedia / Venere
Data scientist senior
Traitement du langage et systèmes sémantiques pour la publicité sur les moteurs de recherche ; prix, prévision et qualité des données géographiques à grande échelle.
- 2000 – 2011
Methodic Solutions
Consultant indépendant
Apprentissage automatique pour des entreprises en Europe et aux États-Unis : systèmes de recommandation, inférence bayésienne, détection de doublons, analyse sémantique, prévision et optimisation. Parmi les clients : Sanoma, Easyvoyage, Ricoh, Metron, iVivity et Scentric.
L'aventure
OtoSense : apprendre aux machines à entendre
J'ai cofondé OtoSense, une entreprise qui apprenait aux ordinateurs à reconnaître les sons et les vibrations. Nous traitions les signaux acoustiques comme les linguistes traitent la langue : décomposer le son en primitives, trouver une syntaxe dans la façon dont elles se combinent, et relier ces motifs à un sens. La technologie servait la surveillance des machines industrielles, la sécurité domestique et l'accessibilité pour les personnes sourdes. Quatre de mes dépôts de brevet viennent de ce travail, dont deux ont été délivrés.
Analog Devices a racheté OtoSense en 2018, moins de cinq ans après ses débuts. Je suis resté directeur du machine learning jusqu'en 2023, à construire les plateformes et les outils open source dont les data scientists de l'entreprise se servaient pour obtenir les données, construire les features et mener les expériences, et à accompagner ses équipes de science des données.
Une partie du code open source derrière ce travail : slang (une approche structurelle du machine learning sur les signaux), hear (les données audio pour les pipelines de machine learning) et creek (des flux simples de données en direct).
Propriété intellectuelle
Brevets : trois délivrés, trois autres publiés
Les titres sont ceux des brevets, en anglais.
- Employing user input to facilitate inferential sound recognition based on patterns of sound primitives
- Syntactic system for sound recognition
- Sound-recognition system based on a sound language and associated annotations
- Facilitating inferential sound recognition based on patterns of sound primitives
- Intelligent general duplicate management system
- System and method for implementing advanced RAID using a set of unique matrices as coefficients
Recherche
Quinze publications à comité de lecture
Dans deux domaines : les mathématiques pures (théorie des graphes, combinatoire) et les sciences sociales appliquées (trajectoires de consommation de drogues, mesure du changement dans les données longitudinales, réduction des risques). Les articles sont en anglais.
- Language preferences and impact of labels on the lived experience of people who use heroin
- Measuring discontinuity in binary longitudinal data: applications to drug use trajectories
- New Ore-type conditions for H-linked graphs
- Drug use trajectory patterns among older drug users
Sept autres, en théorie des graphes et en combinatoire
La liste complète est sur Google Scholar et LinkedIn.
Fondations
Formation et langues
Doctorat (Ph.D.) en mathématiques
Emory University, Atlanta, 2003. Théorie des graphes et combinatoire, sous la direction de Ronald J. Gould.
Master (M.S.) en informatique
Emory University, Atlanta.
Licence de mathématiques
Université de Nice Sophia Antipolis, Nice. Échange à la Technische Universität Berlin.
Langues
Anglais et français, langues maternelles. Italien et allemand, niveau professionnel.
Écrire et enseigner
Réfléchir à voix haute
J'écris sur l'architecture Python, l'outillage du machine learning et l'art de construire des systèmes qui durent, sur Medium, Substack et dans des discussions GitHub, le plus souvent en anglais. J'ai enseigné les probabilités, la statistique, la science des données et la conception logicielle à l'université et dans des ateliers en entreprise.