Expert freelance en Vision par Ordinateur et Data Science

Conception de solutions de vision par ordinateur et de data science pour l'analyse automatique de micro-particules, destinées à l'identification de situations de danger dans la maintenance et l'exploitation d'hélicoptères.

• Conception d'architectures de vision par ordinateur exploitant YOLO et FasterRCNN pour l'analyse de micro-particules.
• Audit du code existant et refonte totale du projet.
• Collaboration avec les experts métiers pour affiner les besoins opérationnels.
• Amélioration de la sécurité et de la prise de décision opérationnelle via l'automatisation de l'analyse.

Développement d'architectures de vision par ordinateur pour l'extraction automatique de textes sur documents, intégrées en environnement AWS et déployées en production.

• Conception d'architectures atteignant plus de 90% de précision pour l'extraction textuelle sur documents.
• Déploiement des modèles sur AWS EC2 avec mise en place du monitoring et de la sauvegarde.
• Amélioration des performances en comparaison de l'état de l'art.

Développement de modèles multimodaux 3D pour le diagnostic automatisé des pathologies cardiaques à partir d'échographies, en collaboration étroite avec des experts cliniques.

• Développement de modèles de deep learning multimodaux 3D pour l'analyse d'échographies cardiaques.
• Validation clinique des résultats avec médecins et statisticiens.

Pilotage du développement et de la mise en production d'une pipeline complète de deep learning pour le diagnostic automatisé à partir d'images dentaires, commercialisée dans plus de 10 cliniques.

• Conception et déploiement d'une pipeline complète de deep learning pour classification, segmentation, détection et analyse de similarité d'images dentaires.
• Mise en production du système utilisé dans 10+ cliniques.
• Encadrement de l'équipe data science tout au long du développement.
• Optimisation des modèles pour la précision et la performance en temps réel.

Développement et mise en production de modèles multi-classes pour le diagnostic orthodontique à partir d'images 2D, avec localisation de repères anatomiques et intégration API.

• Création de modèles multi-classes de deep learning pour la classification de pathologies orthodontiques à partir de photos 2D.
• Développement de modules de localisation de repères anatomiques.
• Optimisation des modèles pour l'inférence en temps réel.
• Développement et intégration d'une API pour l'utilisation en environnement clinique.
• Mise en place d'un monitoring continu de la performance en production.

Développement de solutions sur mesure basées sur des modèles de langage de grande taille et des architectures génératives appliquées à l'industrie cosmétique.

• Conception de solutions IA génératives adaptées aux besoins spécifiques du secteur cosmétique.
• Intégration et optimisation de LLMs pour des cas d'usage métier.

Développement d'un système de surveillance continue d'interfaces utilisateurs pour la détection d'anomalies visuelles en temps réel.

• Conception et implémentation d'un système de web scraping pour la capture continue d'interfaces utilisateurs.
• Développement de modèles de deep learning pour la détection d'anomalies visuelles.
• Assurance de la détection en temps réel des dérégulations UI.

Développement d'un assistant intelligent basé sur des LLMs pour la traduction et le routage multilingue, réduisant de 80% le temps de traitement.

• Conception d'un assistant IA multilingue basé sur LLMs supportant 15+ langues.
• Développement d'une architecture de traduction et de routage des requêtes.
• Réduction de 80% du temps de traitement des demandes.

Conception et implémentation d'algorithmes avancés en vision par ordinateur exploitant l'apprentissage profond, optimisant les performances et la scalabilité pour trois domaines d'application : diagnostic dentaire et orthodontique, documents légaux et analyse sportive.

• Développement et déploiement d'algorithmes de diagnostic dentaire et orthodontique basés sur l'IA pour trois entreprises, intégrant classification, détection et segmentation d'images médicales.
• Optimisation des architectures pour l'efficacité des données, l'interprétabilité et le traitement en temps réel.
• Déploiement et scalabilité des modèles via API, traitant des centaines d'images par jour et améliorant significativement l'automatisation des flux de travail.
• Création et optimisation de plateformes d'annotation de données, réduisant les coûts d'annotation de 50% et accélérant les cycles de réentraînement.
• Travaux de recherche sur le transfert d'apprentissage, l'optimisation par patches, l'adaptation à des jeux de données très déséquilibrés, la pondération des fonctions de coût et les Vision Transformers (ViT).
• Mise en place d'une pipeline automatique avec interaction au bucket S3 pour l'amélioration continue du dataset.
• Développement d'un outil combinant Deep Learning, OCR et LLM pour détecter et vérifier les signatures, contrôler la complétion des formulaires et valider les données dans des documents légaux.
• Conception d'une pipeline vidéo pour la détection et le suivi multi-objets (joueurs, ballon) avec projection 3D→2D en temps réel pour l'analyse d'événements footballistiques.
• Formation en vision par ordinateur à plus de 40 étudiants.
• Rédaction d'articles scientifiques et accompagnement des stagiaires.

Travaux de recherche en apprentissage profond pour la détection et la segmentation de micro saignements cérébraux, encadré par des chercheurs du CNRS.

• Développement d'un modèle Deep Learning à deux étages combinant YOLO et UNet pour la détection et la segmentation de micro saignements cérébraux sur des IRM multicentriques.
• Exploration de techniques de prétraitement et d'entraînement sur cluster de calcul haute performance.