Machine Learning Engineer

Intégration de l'équipe PTO de Canal+ pour industrialiser la solution d'indexation vidéo multimodale à l'échelle du catalogue global du groupe. Conception et déploiement de deux interfaces de recherche multimodales : une interface agentic (Claude Agent SDK + OpenAI) combinant un chatbot et un agent vocal bidirectionnel temps réel, ainsi qu'un explorateur de catalogue sémantique. Construction d'un agent vocal multi-fournisseurs (OpenAI, Gemini Live, Amazon Nova Sonic) benchmarké sur des architectures STT en cascade, voice-to-voice et audio natif. Cet agent navigue dynamiquement trois indexes (chapitres, scènes, plans) pour la reconnaissance d'entités, actions et marques ; il génère des résumés et bandes-annonces autonomes. Conception de l'algorithme d'analyse du pluralisme CNEWS via chaptering et détection d'opinions, produisant des rapports pour les équipes éditoriales.

Développement d'une architecture VLM scalable pour une fonctionnalité de reconnaissance scénique, réduisant les coûts de 90%. Conception de solutions d'extraction de chapitres par LLM et placement publicitaire, reconnaissance de marques et chaptering intelligent avec analyse sujet et point de vue. Automatisation des workflows de production avec AWS Step Functions et Lambda, construction de workers génériques pour la compréhension profonde de contenu à l'échelle mondiale. Implémentation de métriques d'évaluation de la diversité et du pluralisme du contenu.

Conception d'un système de recherche scénique combinant extraction de métadonnées CV, transcription de dialogues, chaptering, vectorisation AWS Titan et ingestion OpenSearch avec récupération multi-KNN pour une plateforme de streaming. Développement de la génération de vignettes « best-frame » associant person tracking, re-identification et un modèle de scoring esthétique.

Refactoristion d'un outil en application dockerisée pour le comptage d'insectes, intégrant une interface Streamlit et les premiers modèles de comptage entraînés.

Construction d'un module de détection d'objets large-scale (300 classes) sur données sensibles de défense, couvrant personnel, équipements et véhicules. Conception de pipelines d'annotation-tri, segmentation de données et augmentation pour la robustesse.

Développement de la reconnaissance de pochettes de vinyle via recherche nearest-vector FAISS sur millions de records, atteignant 200 ms d'inférence end-to-end. Configuration de CI/CD avec GitHub Actions et déploiement sur Scaleway.

Conception d'une approche de clustering par deep learning pour panneaux de signalisation à partir de données LiDAR, caméra et GPS haute précision. Entraînement d'un encodeur Siamese pour séparer les objets au sein de clusters, atteignant une v-measure de 0.94 sur la classification d'inventaire urbain.

Développement d'un système de détection et segmentation de maladies foliaires combinant segmentation U-Net des zones nécrotiques et détecteur YOLO de pycnidies. Co-signature d'une publication scientifique publiée au NCBI.NLM.NIH.GOV (PMC10832182).

Développement d'un système de reconnaissance de numéro de pipeline sur tubes industriels associant détection de région YOLO et OCR, servi via FastAPI. Menée de R&D sur reconstruction géométrique par chamfer (suppression de fond Rembg/U-Net, calcul d'angle OpenCV) et sur prévision de stockage de gaz via architectures Transformer.