Ingénieure en Intelligence Artificielle

Conception d'un pipeline de recherche hybride innovant pour un système de gestion d'entreprise.

• Conception et implémentation d'un pipeline de recherche hybride combinant recherche sémantique et re-classement lexical.
• Optimisation des performances du modèle pour améliorer la pertinence des résultats de recherche.
• Intégration de techniques avancées de traitement du langage naturel au sein du pipeline.

Développement d'une preuve de concept avancée pour un système de jumeau numérique destiné au suivi patient en temps réel.

• Conception d'une architecture de jumeau numérique pour le suivi du diabète intégrant des données patient en temps réel.
• Développement de modèles de prédiction pour anticiper l'évolution de l'état patient.
• Implémentation d'une modélisation personnalisée des données patients adaptée à chaque profil médical.
• Structuration de l'analyse prédictive pour supporter les décisions cliniques.

Conception et mise en œuvre d'un système de Génération Augmentée par Récupération pour soutenir la neurochirurgie.

• Développement d'un système RAG pour l'accès intelligent à la littérature médicale.
• Structuration de l'intégration des données patients de manière sécurisée et conforme aux normes médicales.
• Optimisation du système pour faciliter la recherche rapide de références cliniques pertinentes.
• Validation de la pertinence des réponses générées par le système sur des cas d'usage réels du département.

Pilotage du développement d'un modèle d'IA pour la détection automatisée du cancer du sein.

• Direction de la préparation et structuration complète des données d'imagerie médicale.
• Conception et entraînement d'un modèle de deep learning pour la classification des tumeurs.
• Validation des performances du modèle et optimisation de la précision de détection.
• Documentation des résultats et recommandations pour le déploiement clinique.

Pilotage d'un atelier de développement d'un système de détection multi-pathologies par IA.

• Animation de la préparation et du nettoyage des données d'imagerie dermatologique et neurologique.
• Conception d'une architecture de modèle capable de traiter deux pathologies distincts.
• Assurance de la validation croisée des performances sur les deux cas d'usage.
• Coordination de l'ensemble de l'équipe projet du prétraitement à la validation finale.

Développement d'un pipeline d'IA complet pour la reconnaissance multimodale des signes manuels et des émotions.

• Conception de l'architecture complète du pipeline de traitement vidéo et d'imagerie.
• Implémentation des étapes de préparation et d'augmentation des données pour améliorer la robustesse.
• Développement et entraînement de modèles de deep learning pour la reconnaissance simultanée de gestes et d'émotions.
• Intégration de la validation des modèles et optimisation des performances en temps réel.
• Documentation de l'ensemble du processus et des résultats obtenus.