Blandine R.

Compétences

• React4/5
• TypeScript4/5
• React Native4/5
• Expo4/5
• Node.js3/5
• PostgreSQL3/5
• Kubernetes3/5
• LLM3/5
• Tests automatisés3/5
• Next.js3/5
• REST API3/5
• Docker3/5
• Python3/5
• Agile3/5
• Figma3/5
• Java3/5
• Rust2/5
• Go2/5

Expériences

1. Membre de la communauté privé

   AI Driven Dev · 2025

2. Developpeuse web front-end

   Coffreo · 2016-2019

   - Squad leader d'un nouveau produit pour l'offre Coffreo Pro - Développement front-end via ReactJs dans un environnement Symfony3. Outils / Technologies utilisés: Javascript ES6, ReactJs / Redux, SASS/LESS (méthode BEM); Foundation 6, Materialize, jQuery, Webpack, Git, Node-red, Elasticsearch, MongoDB Business Intelligence: mise en place d'un ETL Mongodb vers Elasticsearch, création d'un data warehouse. Outils / Technologies utilisés: Javascript ES6, NodeJs, Git, Node-red, Elasticsearch, MongoDB

   • JavaScript
   • MongoDB
   • Elasticsearch
   • Git

3. Developpeur web full stack

   Agaetis · 2019-2021

   Développement d'applications FullStack. Refacto infra cloud / k8s Technos utilisés: - Typescript - ReactJS - React Native - NodeJs - AngularJs - SpringBoot - Google Cloud Platform - Kubernetes

   • React
   • TypeScript
   • React Native
   • Kubernetes

4. Developpeur front-end

   Batch · 2021-2023

   Développement front-end sur le dashboard Développement sur le SDK Web de Batch Environnement technique et fonctionnel Symfony, React, Redux, Typescript, Flow, Ansible, Kubernetes, PostgreSQL, IndexedDB

   • React
   • TypeScript
   • Symfony
   • PostgreSQL
   • Kubernetes
   • Ansible

5. Software Engineer

   Braincube · 2023-2025

   Developpement logiciels

6. OpenClassrooms/ Mentor parcours Intégrateur Web

   JANVIER 2021 À AUJOURD'HUI

   Compétences AI-Driven Development — Claude Code · AI-Driven Dev Framework · Agents · MCP · Custom Skills · Spec-Driven Development Front-end — React · TypeScript · React Native · Expo · Redux/RTK · TanStack Query · Zustand

   • React
   • TypeScript
   • React Native
   • Expo

Portfolio

• MC Tracker

  Le projet Les sociétés de sécurité privée tiennent encore une partie de leur main courante — le registre quotidien de chaque poste — sur papier. MC Tracker digitalise ce processus et couvre l'ensemble du cycle opérationnel : planification des agents, saisie terrain, traçabilité et reporting. Le contexte Projet éditeur dont j'ai porté la conception produit et l'architecture technique, de la première spécification jusqu'à la mise en production. Ce que j'ai livré Une application unique web, iOS et Android avec React Native / Expo, incluant un mode hors-ligne : les agents peuvent travailler sans réseau et les données sont synchronisées au retour de la connexion. Une architecture Clean / hexagonale, structurée par domaines métier, avec tests automatisés, typage strict, lint et CI comme garde-fous de développement. Le backend complet : PostgreSQL, isolation multi-tenant par RLS, authentification, stockage, Edge Functions, notifications push et exports PDF. Les règles métier propres à la sécurité privée : temps de travail, repos légaux, qualifications CNAPS et exigences de traçabilité documentaire. Ma méthode Je travaille en AI-Driven Development : je cadre et spécifie le besoin, conçois l'architecture et définis les tests et garde-fous, puis je délègue l'implémentation à des agents IA que je pilote jusqu'à validation. L'enjeu n'est pas simplement de produire du code plus vite, mais de maîtriser la qualité de ce qui est livré. Les tests, le typage et la CI font donc partie du cadre de développement dès le départ, plutôt que d'intervenir en rattrapage. Stack : React Native · Expo · TypeScript · Supabase · PostgreSQL · RLS · Edge Functions · Vitest

  Sitemctracker.fr (nouvelle fenêtre)
  • React native
  • expo
  • typescript
  • supabase
  • vitest

• Générateur de livres de coloriage

  Le problème Publier un livre de coloriage sur Amazon KDP implique une chaîne de production complexe : conception éditoriale, génération des illustrations, mise en page, contraintes d'impression, couverture, métadonnées et publication. Le faire manuellement prend plusieurs semaines et rend coûteuse l'expérimentation de nouveaux thèmes. Ce que j'ai construit J'ai conçu un pipeline de production complet, du concept éditorial jusqu'aux fichiers prêts pour Amazon KDP et à la publication du contenu sur le site vitrine. Génération éditoriale & IA Un manifeste YAML versionné constitue la source de vérité du livre : thème, scènes, palette, copy Amazon et SEO. Le contenu généré par IA reste soumis à des règles d'autorité explicites afin qu'une génération ne puisse jamais écraser une décision humaine. Génération d'images en local Les illustrations sont générées avec FLUX.2 via ComfyUI sur GPU local, orchestré par WebSocket. Le pipeline reste indépendant d'une API d'image externe et dispose de providers interchangeables pour pouvoir être développé et testé sans GPU. Production Amazon KDP Le système génère automatiquement l'intérieur, la couverture et le dos du livre en respectant les contraintes d'impression : 300 DPI, fond perdu, profils ICC/CMJN, code-barres et gabarits KDP. Chaque page peut être prévisualisée, régénérée, modifiée par prompt ciblé, réordonnée ou supprimée sans reconstruire le livre entier. Publication automatisée Le pipeline prépare la fiche produit KDP et publie également le livre en brouillon dans le CMS Supabase du site vitrine, avec traitement des visuels, métadonnées SEO/GEO et gestion des slugs. L'exigence technique Le projet repose sur une architecture hexagonale et screaming architecture : organisation par domaine métier, dépendances contrôlées et communication entre features par événements de domaine. La qualité est imposée par des garde-fous automatisés : tests unitaires, linting architectural, typage et contrôles pre-commit/CI. Les règles d'architecture sont vérifiées mécaniquement plutôt que simplement documentées. Mon approche Le produit a été conçu en AI-Driven Development : architecture, spécifications, contraintes et tests définissent le cadre dans lequel les agents IA réalisent l'implémentation. L'objectif est de rendre une chaîne IA complexe reproductible, testable et maîtrisable, plutôt que d'enchaîner des générations difficilement contrôlables. Stack : Python · FastAPI · React · TypeScript · ComfyUI · FLUX.2 · Supabase · WebSocket

  Sitedarkwaters-ph.com (nouvelle fenêtre)
  • Python
  • fastAPI
  • React
  • Typescript
  • ComfyUI
  • Flux2
  • Supabase
  • Claude Code

• AIDD Audit

  Le problème Les organisations qui adoptent les agents de code ont peu de moyens fiables pour mesurer leur maturité. Les évaluations reposent souvent sur des questionnaires ou de l'auto-déclaration : chacun décrit ses pratiques, mais personne ne vérifie ce que le projet permet réellement de prouver. AIDD Audit part donc d'un principe simple : Ne demande pas ce que tu peux observer, et ne prétends pas savoir ce que tu ne peux pas prouver. La solution J'ai conçu un CLI open source d'évaluation de maturité AI-Driven Development qui analyse un projet à partir de preuves observables dans son dépôt Git, son historique et sa forge GitHub. L'outil mesure quatre dimensions : taille des changements délégués à l'IA, harness et garde-fous autour des agents, intervention humaine et parallélisation des workflows. Il détermine ensuite le plus haut des sept niveaux de maturité que les données permettent réellement de prouver. Une distinction est fondamentale : un écart de pratique n'est pas un écart de preuve. Si une donnée est absente ou contradictoire, l'outil ne conclut pas que la pratique est mauvaise : il indique qu'elle ne peut pas être démontrée. Un scoring déterministe, sans LLM Aucun LLM n'intervient dans la décision. Un modèle peut expliquer le résultat, mais jamais déterminer le niveau. À modèle de maturité, dépôt et état de forge identiques, le verdict est reproductible. L'objectif est de pouvoir discuter des preuves et des seuils plutôt que d'un jugement opaque produit par un modèle. Le modèle de maturité lui-même est externalisé en YAML : une organisation peut donc adapter ses exigences sans modifier le moteur de scoring. Une architecture conçue pour être vérifiable Le projet repose sur une architecture hexagonale dont les frontières ne sont pas seulement documentées : elles sont contrôlées mécaniquement dans la CI. Le moteur de décision est protégé par une importante suite de tests et du mutation testing avec Stryker, afin de vérifier que les tests détectent réellement les altérations de la logique de scoring. Une seule commande de validation regroupe typage strict, tests et règles d'architecture afin de fournir aux développeurs comme aux agents IA un verdict explicite et exploitable. Le méta-résultat AIDD Audit a été construit en AI-Driven Development avec le harness qu'il mesure : contexte projet versionné, agents spécialisés, TDD, règles d'architecture et portes de validation automatisées. L'outil s'audite lui-même : le projet qui mesure la maturité AIDD constitue également une démonstration des pratiques qu'il évalue. 🏆 Projet lauréat d'un hackathon AI-Driven Development. Stack : TypeScript · Node.js · Git/GitHub · Claude Code · Architecture hexagonale · Stryker · Dependency Cruiser

  GitHubgithub.com (nouvelle fenêtre)
  • Typescript
  • Node
  • Claude Code
  • architecture hexagonale