
Eyasu Saketa
Eyasu Saketa
Expertise principale :
RAG d’entreprise & IA agentique : Architecture de pipelines de récupération à plusieurs étapes avec auto-correction autonome.
Optimisation matérielle spécifique : Expert dans l’optimisation des modèles d’apprentissage profond (PyTorch/MLX) pour Apple Silicon (série M) utilisant des Metal Performance Shaders et des architectures de mémoire unifiée.
Vision par ordinateur médicale : Vaste expérience en apprentissage auto-supervisé pour l’histopathologie et le dépistage cellulaire automatisé.
Generative Engines : Développeur de « Project Aether », un moteur de jeu de langage naturel vers 2D utilisant des DSL personnalisés.
Je propose des solutions d’IA performantes et rentables pour les startups et entreprises recherchant une intelligence robuste, évolutive et consciente du matériel.
Horaires de travail
- Lundi:08h00 à 18h00
- Mardi:08h00 à 18h00
- Mercredi:08h00 à 18h00
- Jeudi:08h00 à 18h00
- Vendredi:08h00 à 18h00
- Samedi:Non disponible
- Dimanche:Non disponible
Optimisé l’entraînement et l’inférence en apprentissage profond pour Apple Silicon (M2 Pro/M3), en tirant parti des Metal Performance Shaders (MPS) et des architectures de mémoire unifiée pour réduire la latence de 12 %.
A conçu des protocoles de gestion secrète et de sécurité basés sur l’environnement pour des bases de code à l’échelle des entreprises, résolvant les vulnérabilités critiques dans les dépôts collaboratifs.
Développeur principal de « Project Aether » : A développé un moteur de jeu génératif qui convertit le langage naturel en jeux 2D fonctionnels via un langage JSON spécifique au domaine (DSL) personnalisé.
Haute fiabilité : Mon expérience en recherche me permet de mettre en place des vérifications rigoureuses et des « contrôles » agents pour garantir que les résultats de l’IA sont sûrs en production.
Outils personnalisés : expertise dans la création de langages spécifiques à un domaine (DSL) personnalisés permettant aux utilisateurs non techniques d’interagir avec des systèmes d’IA complexes.
Architectures parallèles : maîtrise du SIMD (Instruction unique, Données multiples) et de la synchronisation multi-cœurs pour les charges de travail IA à haut débit.
IA en périphérie & intelligence embarquée : Expérience en compression de modèles (quantification et taille) pour adapter des architectures complexes à des systèmes embarqués à ressources limitées.
Calcul hétérogène : Expertise dans la répartition des charges de travail IA entre le CPU, le GPU et le NPU spécialisé (Neural Processing Unit) afin d’optimiser la faible consommation et la faible latence.
Systèmes : Systèmes d’exploitation en temps réel (RTOS) et conception de protocoles réseau.
Mathématiques : structures discrètes, algèbre linéaire et calcul différentiel (la base de l’apprentissage automatique).
Logiciels : Structures de données et algorithmes, compilateurs et C++/Assembleur avancé.




