Ingénieure en Télécommunications spécialisée en Data Science et Intelligence Artificielle

Participation à la conception et au développement d'une plateforme web multi-tenant destinée à la gestion centralisée des systèmes de vidéosurveillance intégrant la vision par ordinateur et l'intelligence artificielle en temps réel.

• Intégration de YOLOv8 pour la détection automatique d'événements et d'incidents à partir de flux vidéo en temps réel.
• Implémentation de Qwen-VL pour la génération automatique de descriptions textuelles des incidents détectés.
• Conception et mise en place d'un système de réception, de gestion et de notification des incidents en temps réel.
• Développement du backend avec Spring Boot et des API REST associées.
• Développement du frontend avec React.js pour l'interface utilisateur de gestion centralisée.
• Conception et déploiement de la base de données PostgreSQL pour le stockage des incidents et des métadonnées.
• Implémentation de Keycloak pour l'authentification multi-tenant, la gestion des rôles et la sécurisation des API.
• Conteneurisation de l'application avec Docker pour le déploiement en environnement multi-tenant.

Stage en deep learning focalisé sur la synthèse d'images PET à partir de scanners CT pour les applications d'imagerie médicale.

• Développement d'un pipeline complet de prétraitement incluant normalisation, redimensionnement et augmentation de données pour les images médicales.
• Conception et entraînement de l'architecture U-Net pour la synthèse d'images PET à partir de CT.
• Conception et entraînement de l'architecture Pix2Pix pour la synthèse d'images PET à partir de CT.
• Évaluation comparative des modèles à l'aide des métriques PSNR, SSIM et MAE.
• Analyse des performances et identification de la solution la plus adaptée au contexte d'imagerie médicale.