> **À propos** > Staff engineer à la frontière de l'évaluation de l'IA, des systèmes d'agents et de la recherche empirique appliquée. Ingénierie de systèmes IA, infrastructure agentique, rigueur évaluative — en français. > > Source: https://jasonstiltner.com/fr/about/ --- # Parcours Une recherche empirique centrée sur la vérification, à la frontière des systèmes d'IA en production et de l'évaluation qui les juge : l'IA accélère l'expérimentation, l'évaluation contrôlée décide de ce qui tient, et l'évaluateur lui-même est testé avant qu'on lui confie la moindre décision. Recherche : évaluation de l'IA, coordination multi-agents, apprentissage continu Production : systèmes de ML, infrastructure cloud Staff Engineer chez [CharlieIQ](https://www.charlieiq.ai), le laboratoire d'IA de Greater Sum Ventures — une suite d'opérations IA destinée aux éditeurs de SaaS verticaux du fonds de private equity, qui confie à des agents le travail d'ingénierie, de marketing, de vente, de support et de planification, avec un humain qui valide chaque action à conséquence. J'ai été le troisième ingénieur recruté par le laboratoire, et son premier Staff Engineer. Ce travail couvre Minions, l'équipe d'ingénierie multi-agents de CharlieIQ ; [TenantText](https://www.tenanttext.com), sa plateforme de communication IA pour gestionnaires immobiliers ; et Virtual Front Desk. Auparavant, co-responsable technique au sein du groupe Accelerated Technologies de HCA Healthcare, où j'ai livré de l'IA clinique en production (compréhension documentaire, RAG clinique) pour le plus grand groupe hospitalier américain ; et développeur RPA avancé au sein de l'Automation Center of Excellence d'Accenture. ## Portée & impact ### Direction technique Décisions d'architecture et de plateforme, niveau staff, sur les systèmes agentiques de CharlieIQ. [Aegis](https://jasonstiltner.com/projects/aegis/) (état événementiel, passerelle de politique, engagements vérifiables) applique le même type de jugement d'infrastructure à la durabilité des agents. ### Échelle Pipelines de compréhension documentaire et de RAG clinique livrés en production chez HCA Healthcare, le plus grand groupe hospitalier américain. ### Ambiguïté L'environnement réglementaire et organisationnel de la santé ne fournit pas de cahier des charges tout fait : les contraintes HIPAA, les parties prenantes cliniques, et l'échelle même de HCA Healthcare devaient être conciliées en une seule architecture, pas conçues séparément. ## Recherche ### Évaluation de l'IA [Evaluator Assurance](https://jasonstiltner.com/projects/evaluator-assurance/): quand peut-on se fier à un évaluateur fondé sur un modèle pour décider qu'un agent a réussi ? Sept mécanismes d'assurance préenregistrés, testés sur deux corpus de trajectoires agentiques réelles. Aucun n'a tenu comme amélioration robuste : la plupart ont échoué ou se sont affaiblis sur de nouvelles données, et l'interprétation de la seule règle ayant franchi proprement son seuil numérique (l'acceptation de R2 manquait de puissance statistique) a été restreinte lorsqu'une reproduction externe a révélé un facteur de confusion lié au benchmark, que le test ne contrôlait pas. Le résultat le plus solide est le moins coûteux : répéter cinq fois l'appel au juge n'a produit de désaccord entre les répétitions que sur 1,8 % des cas (20 sur 1 106) — il ne restait presque rien qu'un vote majoritaire puisse trancher. Portée : un seul juge, une configuration, étape de jugement seulement. Corrigé le 2026-10-02 : « données inédites » et « le seul qui ait franchi son test préenregistré » ont été retirés de ce résumé ; détail dans le registre des corrections de la page du projet. ### Coordination multi-agents [Grounded Commitment Learning](https://jasonstiltner.com/projects/grounded-commitment-learning/): des contrats comportementaux vérifiables pour la coordination d'agents IA. S'appuie sur la théorie des contrats incomplets de Hart-Moore. Réduction de 40.4% du hold-up, [re-dérivée par la CI à chaque push](https://jasonstiltner.com/corpus/reproducibility/#hart-moore). ### Apprentissage continu [Collaborative Nested Learning](https://jasonstiltner.com/projects/collaborative-nested-learning/): optimisation multi-échelle avec des ponts de connaissance non adjacents. +89% de précision en forte régularisation. Dominant au sens de Pareto sur l'arbitrage rétention/précision. ## Production ### [Pipeline de compréhension documentaire](https://jasonstiltner.com/projects/document-understanding/) Routage multi-fournisseurs de LLM avec escalade fondée sur la confiance. Conforme HIPAA. Humain dans la boucle pour les sorties à faible confiance ; les corrections sont capturées comme labels pour du fine-tuning hors ligne. ## Le français Master à l'Université Paris Cité (anciennement Paris VII), cursus francophone, Littérature, Langues et Civilisations des Pays Anglophones, après six ans passés à Paris à travailler dans une deuxième langue. Le français reste une langue de travail réelle, pas une ligne de CV : cette page en est la preuve, pas seulement l'affirmation. [Version anglaise, plus complète →](https://jasonstiltner.com/about/) [jason@jasonstiltner.com](mailto:jason@jasonstiltner.com) · [GitHub](https://github.com/jstiltner) · [LinkedIn](https://linkedin.com/in/jasonlstiltner)