Alhussein Jamil — Ingénieur systèmes d'IA

// couche_00 · signal

À propos

Systèmes d'IA, robotique et logiciels qui doivent dialoguer avec le matériel

Alhussein Jamil

Systèmes d'IA au plus près du matériel

Paris, France

Chez Arago, je travaille surtout sur les couches back-end PyTorch, la répartition du moteur d'exécution et le code de lancement d'un accélérateur IA photonique.

Avant cela : robots marcheurs et exosquelettes chez Wandercraft, puis vision par ordinateur pour l'automatisation robotique chez EyePick. Entre les deux, l'École polytechnique et Sorbonne Université.

J'aime le code qui doit composer avec le réel : matériel capricieux, physique, latence, humains, hypothèses bancales. Et oui, il m'arrive aussi de coder avec des assistants IA ; je savais déjà coder avant que cela devienne un marqueur social.

// couches_cachées · expérience

Là où j'ai été utile

Accélérateurs, robots, vision par ordinateur et prototypes qui ont dépassé le stade du carnet Jupyter

Quand le travail cesse d'être théorique.

Arago · Paris

Couches back-end PyTorch/ATen pour un accélérateur IA photonique : noyaux sur mesure, exécution de graphes et intégration à PyTorch.
Ordonnancement du moteur d'exécution : partitionnement des graphes, allocation rapide, transferts entre accélérateurs, sérialisation des lancements et files concurrentes.
Code hôte relié au firmware : les lancements deviennent des graphes de primitives pour cœurs mono et points de synchronisation.
Travail au plus près du matériel : émission d'ISA sur mesure, interfaces pilotes, configuration des accélérateurs, simulation et validation.

Silicium généraliste, approche PyTorch d'abord. Les API, le moteur d'exécution et les chemins firmware sont pensés pour les habitudes réelles des équipes d'IA.

Problème: La matmul photonique n'est qu'un noyau. Livrer le produit, c'est tout le trajet : PyTorch en entrée, moteur d'exécution et dispatch firmware au milieu, tenseurs en sortie sans casser les habitudes.
Ce que j'ai construit: Abaissement par le compilateur, moteur d'exécution côté hôte, chemins pilotes, allocation rapide, transferts entre accélérateurs, files de lancement et dispatch firmware.
Point délicat: Des régions de graphe ou des opérations isolées partent sur les accélérateurs, se décomposent en graphes de primitives, s'exécutent sur les cœurs mono, puis reviennent à PyTorch via des événements. Le tout doit rester familier pour une pile d'accélération classique.

PyTorchMoteur d'exécutionFirmwareAccélérateurs

GitHub ↗

01

Graphe de calcul PyTorch

Les opérations ATen forment un véritable graphe de dépendances
Les arêtes de tenseurs indiquent où placer le calcul
Les régions accélérables sont isolées avant l'exécution

02

Compilateur + moteur d'exécution hôte

01 Abaisser le graphe

02 Répartir le calcul

03 Planifier les lancements et transferts

03

Exécution par accélérateur

sous-graphe A

Accélérateur 0

région -> DAG de primitives

Sessions d'exécution

file 0 file 1 file 2

Graphe primitif sur l'accélérateur

Cœur de contrôle

Unité de calcul laser

Synchronisation + événements matériel

PCIe / interconnexion des accélérateurs

sous-graphe B

Accélérateur 1

nœud ou région -> DAG de primitives

Sessions d'exécution

file 0 file 1 file 2

Graphe primitif sur l'accélérateur

Cœur de contrôle

Unité de calcul laser

Synchronisation + événements matériel

Schéma simplifié — termes publics et génériques uniquement

EyePick · Paris

Développement de chaînes de vision par ordinateur pour l'automatisation robotique en temps réel : industrie, agriculture et cuisine.
Détection d'anomalies et classification d'images pour le contrôle qualité.
Adaptation de modèles ResNet lorsque les chaînes de type YOLO posaient des contraintes de licence.

Wandercraft · Paris

Entraînement de politiques de contrôle par RL pour le robot bipède Cassie et l'exosquelette Eve.
NVIDIA Isaac Gym et Ray RLlib pour la simulation parallèle et l'entraînement distribué.
Transfert sim-to-real avec apprentissage par imitation, adaptation de domaine et adaptation visuelle.

Poppins (anciennement Mila) · Paris

Difficulté adaptative pour un jeu thérapeutique destiné aux enfants dyslexiques.
Clustering et métriques de jeu pour ajuster la difficulté sans retour explicite des enfants.
Travail sur l'algorithme et son intégration dans le jeu.

// poids · outils

Le chemin jusqu’ici

Compétences, formation, enseignement, langues et centres d’intérêt

Programmation

Python
C++
C
OCaml
Java
C#
SQL

Systèmes d'IA

Exécution PyTorch
Abaissement de graphes
Moteurs d'exécution
ISA sur mesure
Noyaux
Exécution multi-cœurs

Apprentissage automatique

Vision par ordinateur
Apprentissage par renforcement
Apprentissage par imitation
Transfert sim-to-real
Déploiement de modèles

Robotique

NVIDIA Isaac Gym
Ray RLlib
Contrôle robotique
Automatisation industrielle
Interfaces VR pour robotique

Outils

Linux
Git
Docker
Débogage
Intégration matériel/logiciel

Formation

École polytechnique

Diplôme d'Ingénieur — équivalent master · 2020 — 2024
Sorbonne Université — UPMC

Master 2 — Systèmes intelligents · 2023 — 2024
Lycées Buffon & Louis-le-Grand

CPGE — MPSI → MP* · 2018 — 2020

Enseignement

Master X-HEC

Intervenant invité en apprentissage automatique auprès d'étudiants en master.
Lycée Saint-Louis

Examinateur oral (colleur) en mathématiques pour les étudiants en CPGE.

Langues

Français bilingue · Arabe langue maternelle · Anglais bilingue · Espagnol intermédiaire

Centres d’intérêt

MMA
Énigmes
Violon
Escalade

// propagation · travaux

Projets

Projets personnels avec de vraies démos

Problème: Faire marcher un bipède type Cassie en simulation sans lui apprendre des raccourcis absurdes.
Ce que j'ai construit: Un pipeline d'entraînement Ray RLlib sur MuJoCo, avec export de politiques de locomotion de type Cassie.
Point délicat: Le score peut monter pendant que la démarche reste mauvaise. L'essentiel du travail a été de rendre la marche crédible.

/ droprl · cassie · signaux de débogage RL synchronisés avec la vidéo t = 0.0s

/ droprl · snake-v0 · agent IA itération 0 · récompense 0.0 · score 0

★ étoile · politique π

Problème: Faire coïncider un geste de pinceau en VR avec un dispositif robotique réel, assez précisément pour une étude de psychophysique.
Ce que j'ai construit: Une expérience Unity en VR avec contrôle du bras Franka Emika via Redis, calibration du suivi des mains et évaluations d'agréabilité/intensité dans le casque.
Point délicat: Synchroniser rendu, robotique/haptique et réponses subjectives sans briser l'illusion.

Unity · VR · Franka Emika · Redis · suivi des mains

Simulation tactile

Simulation du toucher affectif

Une caresse au pinceau sur une main virtuelle, stimulus principal de l'étude.

Protocole et interface

Calibration

Calibration du suivi des mains

Le participant confirme les poses, puis suit un compte à rebours avant le début des essais.

Évaluation en VR

Interface agréabilité & intensité

Les réponses sont données dans le casque, sans interrompre le déroulé des essais.

Problème: Construire un prototype jouable pour observer comment des enfants ayant un TDAH passent de l'exploration à l'exploitation.
Ce que j'ai construit: Un monde central Unity avec quatre mini-jeux de réflexion, salles en pixel art, brouillard de guerre, logique de grille et puzzles physiques.
Point délicat: ~200 heures seul sur la boucle de jeu, la conception des niveaux, les mécaniques, l'éclairage et la version de test utilisateur.

Monde central et choix du niveau

Un temple central avec statues repères et portails vers chaque mini-jeu.

Développé seul · ~200 heures · conçu pour des tests avec des enfants TDAH

4 mini-jeux

Puzzle de caisses colorées

Une salle façon Sokoban : pousser les caisses sur les dalles de la même couleur.

Pont fragile

Les chiffres sur les caisses indiquent combien de cases tiennent avant que le pont cède.

Glissade sur glace et pièges

La glace ne freine pas, les pics attendent au milieu, et l'erreur se paie vite.

Labyrinthe à la lampe torche

Un labyrinthe circulaire où le brouillard de guerre ne révèle que les cases proches du joueur.

Problème: Coder le Jeu du moulin de bout en bout, avec une IA qui sait vraiment jouer.
Ce que j'ai construit: Une implémentation Pygame complète : règles, interface et bot Minimax.
Point délicat: La génération des coups change entre placement, déplacement et vol ; la recherche doit donc suivre l'état exact de la partie.

/ noine — jeu du moulin ·

cliquez sur un point · formez un moulin pour capturer une pièce

version Pygame originale

Plateau Noine en milieu de partie avec pièces orange et blanches — Milieu de partie

Plateau Noine pendant la capture d'une pièce après un moulin — Phase des moulins

Problème: Rendre les distances de transport optimal utilisables sur grilles et maillages.
Ce que j'ai construit: Une implémentation Python des distances de Wasserstein convolutives (Solomon et al., SIGGRAPH 2015).
Point délicat: S'appuyer sur la structure du domaine au lieu de matérialiser toute la matrice de coût.

Démonstrations de barycentres