Embedded AI Engineer

Intégration à l'équipe de R&D automobile d'Alten pour développer des solutions embarquées et logicielles destinées à la validation et l'optimisation de systèmes de puissance et de gestion énergétique dans les véhicules électriques.

• Développement de pipelines de données Python et d'outils de simulation pour la validation de l'électronique de puissance à base de SiC/GaN, réduisant le temps d'analyse de 60% sur plus de 10 campagnes de test.
• Implémentation de modules logiciels et de logique de contrôle pour la gestion énergétique V2G/V2H/V2L : contrôle du flux énergétique, surveillance en temps réel et diagnostics système.
• Conception de solutions IoT de surveillance avec maintenance prédictive assistée par IA pour les systèmes de recharge et d'électronique de puissance dans des architectures automobiles 5G : collecte de données en temps réel, détection d'anomalies et traitement backend.
• Développement d'outils pour les mises à jour OTA : déploiement de firmware, gestion des versions et configuration à distance des unités de contrôle électroniques (ECU).
• Création d'outils d'analyse et de visualisation supportant la gestion thermique et la validation EMC, détectant les comportements anormaux du système sur plus de 6 configurations matérielles.

Intégration à l'équipe d'ingénierie de Capgemini Engineering pour automatiser les workflows d'analyse et de validation de batteries pour véhicules électriques, remplaçant les processus manuels par des solutions logicielles robustes.

• Conception et développement d'une application d'automation desktop (Python, JavaScript) traitant plus de 3 000 fichiers de test de batterie par campagne, générant automatiquement des rapports structurés et éliminant l'analyse manuelle.
• Conception de modèles de calcul pour l'estimation de la durabilité et de la performance des batteries, améliorant la fiabilité de l'analyse des tests pour les systèmes de batterie de véhicules électriques.
• Mise en place de pipelines de rapportage automatisés avec distribution par email, réduisant le délai de génération des rapports de 2 jours à moins de 1 heure.
• Analyse approfondie des résultats de test de batterie : détection d'anomalies, identification des motifs de dégradation et des problèmes système; coordination des campagnes de validation des tests avec traçabilité complète.

Intégration à l'équipe d'Aba Technology pour développer des systèmes embarqués, des interfaces HMI et des pipelines machine learning pour des appareils industriels connectés, couvrant l'ensemble de la pile technologique du firmware à l'inférence IA en production.

• Développement et maintenance de systèmes Linux embarqués pour appareils industriels connectés, en assumant la configuration système, le débogage et l'optimisation des performances pour des chemins de données à faible latence et haute fréquence.
• Conception d'interfaces opérateur multi-pile : HMI Qt/QML C++ pour le contrôle machine en temps réel, applications Electron.js pour la surveillance matérielle, et tableaux de bord web full-stack (React.js/Next.js, NestJS/Node.js, MongoDB, Firebase) pour la gestion et visualisation d'appareils distants.
• Architecture de la communication appareil-cloud pour machines industrielles : protocoles MQTT, UART, Ethernet et I2C, middleware asynchrone multi-thread, et sérialisation efficace pour l'échange de données structurées sur des flottes d'appareils connectés.
• Conception de systèmes d'acquisition de données en temps réel et de pipelines MQTT distribués agrégant les flux de capteurs de multiples appareils embarqués dans des services backend pour le stockage, l'analyse et la surveillance en direct.
• Développement de modules de traitement de données haute performance en Python et C++ manipulant de grands volumes de données de machines et capteurs (CSV, logs de capteurs, images annotées) alimentant les workflows ML.
• Entraînement de CNN et DNN pour la détection d'objets, la classification et la reconnaissance d'images avec TensorFlow/Keras, PyTorch et OpenCV; amélioration de la précision par ajustement des hyperparamètres, augmentation des données et évaluation systématique.
• Pilotage de l'intégrralité des pipelines ML : préparation de datasets, entraînement et déploiement en production sur plus de 20 appareils connectés, intégrant les modèles dans les systèmes embarqués et cloud pour l'inférence edge en temps réel (TensorRT, ONNX).

Contribution à la validation et l'assurance qualité des logiciels et firmwares automobiles chez iTlink, en automatisant et en structurant les processus de test et de diagnostic.

• Développement de scripts de test automatisés et de workflows de validation pour les diagnostiques véhicule, améliorant l'efficacité et la répétabilité des cycles de validation.
• Validation des mises à jour logicielles véhicule, des firmwares embarqués et de la communication CAN/LIN, en analysant les données de télémétrie avec les équipes logicielles, matérielles et systèmes pour déboguer et résoudre les problèmes de comportement logiciel.
• Production de protocoles de validation, de rapports techniques et de tableaux de bord alignés avec les normes automobiles, synthétisant les résultats de tests et les métriques de performance système.

Réalisation du projet de fin d'études chez Expleo group, en développant une solution de communication V2V et un système de reconnaissance de panneaux de signalisation pour des applications automobiles.

• Conception d'un environnement de communication V2V (vehicle-to-vehicle) permettant à deux véhicules d'échanger 21 types de messages en temps réel sur IEEE 802.11p (WiFi) et Bluetooth.
• Développement d'un système de reconnaissance de panneaux routiers de bout en bout : pipelines de prétraitement et filtrage d'images en Python, puis entraînement de CNN avec TensorFlow/Keras pour la classification.