Parcours interrogeable · 2024–présent
Expert technique — privacy-preserving machine learning
Science décentralisée, cryptographie appliquée, partage sécurisé de données scientifiques et médicales.
Preuves de capacité atomisées
Une expérience, plusieurs preuves réutilisables.
Chaque unité isole une capacité démontrée dans cette expérience. Son identifiant et son ancre sont stables afin qu’une page de service, de capacité ou de réalisation puisse pointer vers la preuve exacte, sans recopier le parcours.
Vérification privée de calculs ML
Exploration de la cryptographie appliquée et du ZKML pour vérifier des calculs sans exposer les données sensibles.
Partage gouverné de données scientifiques
Conception de cadres de partage où accès, confidentialité et responsabilité restent explicites.
Recherche en machine learning confidentiel
Application de méthodes ML à des contextes scientifiques et médicaux soumis à des contraintes de confidentialité.