Data Scientist

Intégration de l'équipe de Ringover afin de développer un outil innovant de transcription et de résumé automatique des appels téléphoniques.

• Conception et intégration de systèmes de reconnaissance automatique de la parole pour la transcription en temps réel des appels.
• Développement de pipelines de résumé automatique basés sur des modèles de langage pour extraire les points clés des conversations.
• Déploiement et optimisation des architectures ASR et LLM (quantization, distillation, TensorRT, ONNX) pour garantir des performances temps réel en production.
• Mise en place de benchmarks et d'évaluations qualité mesurant la pertinence des transcriptions et des résumés (WER, ROUGE, etc.).
• Assurance de l'intégration de la solution dans l'infrastructure cloud existante avec des pipelines scalables et robustes.

Collaboration avec L'Oréal pour concevoir et développer l'API Nexa dédiée au diagnostic de la peau (SkinDiag).

• Collaboration directe avec les dermatologues pour traduire leurs besoins métier en problématiques IA exploitables et création de vérités terrain pour l'entraînement des modèles.
• Développement et optimisation d'algorithmes de deep learning pour la détection, la classification et la segmentation d'attributs faciaux (rides, rougeurs, taches brunes).
• Implémentation d'outils de visualisation (style, couleurs) et de modèles 3D interactifs pour une expérience utilisateur immersive.
• Intégration des algorithmes développés dans une API performante écrite en C++ et Swift.
• Application des bonnes pratiques de développement incluant le versionnage Git, l'optimisation des pipelines d'apprentissage, la rédaction de documentation et les tests unitaires.
• Assurance de la maintenance et de l'optimisation continue de l'API pour garantir une utilisation fluide et scalable.

Participation au projet Train Autonome Service Voyageurs en travaillant sur les systèmes de perception et la reconnaissance de signaux ferroviaires.

• Réalisation de la calibration des capteurs embarqués (caméras, LiDAR).
• Création de bases de données annotées 2D et 3D spécifiques au domaine ferroviaire.
• Implémentation d'architectures de segmentation sémantique des rails et de détection d'anomalie.
• Estimation de cartes de profondeur et assurance de la reconstruction 3D de la scène.
• Traitement de nuages de points et développement d'algorithmes de détection d'objets 3D.
• Déploiement et optimisation des modèles sur des processeurs et cartes cibles (NPUs, GPUs).

Réalisation de travaux de R&D pour développer des solutions de perception 3D et de localisation destinées à des véhicules autonomes en environnement industriel.

• Mise en œuvre d'algorithmes SLAM pour la localisation et la cartographie en temps réel à partir de capteurs LiDAR.
• Traitement et analyse de nuages de points 3D pour la détection et la classification d'obstacles et d'éléments structurels.
• Développement de pipelines de fusion de données multi-capteurs (LiDAR, caméra, IMU) garantissant une perception robuste de l'environnement.
• Conception de modules de segmentation et de reconnaissance d'objets 3D dans des scènes industrielles complexes.
• Optimisation des algorithmes pour permettre un déploiement embarqué sur des plateformes aux ressources limitées.
• Rédaction de documentations techniques et contribution aux revues d'avancement des travaux R&D.

Conception d'un pipeline complet de segmentation et de classification du marquage au sol à partir de données LiDAR pour un projet de véhicule autonome.

• Mise en place de briques de localisation instantanée et de cartographie par LiDAR.
• Assurance de la visualisation et du traitement de nuages de points 3D.
• Participation à la création de bases de données dédiées au domaine routier à partir du dataset Pandaset.
• Développement de modules de projection, de segmentation et de classification du marquage au sol.

Réalisation d'un stage de fin d'études consistant à développer un système de détection d'objets en temps réel pour la télésurveillance de stations à carburant.

• Collecte, nettoyage et labélisation des données d'entraînement.
• Application de techniques d'augmentation de données pour renforcer la robustesse des modèles.
• Développement et entraînement de modèles de détection d'objets par Transfer Learning en utilisant des architectures de type FCN et YOLO.
• Développement de l'API du modèle à l'aide de FastAPI et du serveur web Uvicorn.
• Conteneurisation de l'application sous forme d'images Docker et assurance de son déploiement sur le cloud.