Projet : L'intelligence artificielle pour l'unification des systèmes de codification des produits
Contexte : Contribuer à l'analyse des produits issus de la place de marché Darty (environ 8 millions de références) afin de les faire rentrer dans les nouveaux masques produits uniques.
Réalisations :
1) ETL (extraction, transformation et chargement des déonnes) :
- Extraction des données : utilisation de SHELL, SQL et python pour automatiser l'extraction de données spécifiques au besoin métier
Transformation des données :
- Techniques utilisées : Utilisation d'expression régulières (regex) et de scripts basés sur la similarité des mots.
- Intégration des données transformées
- Analyse des logs fournis pour les scripts d'intégrations
- Restauration partielle de la base de données (génération de requêtes)
- Scripts (shell/python) pour analyses l'impact d'un intégration sur les données produit.
2) Intelligence artificielle pour automatiser le processus métier
- L'objectif est de réaliser un mapping entre les textes (description des produits) et des champs de la base FNAC
- Modélisation du problème : plongements de mots (word embeddings) pour l'identification de synonyme et la proximité sémantique
- Développement d'une approche active learning : pour alimenter les données au cours des itérations avec le métier
- réalisation d'un becchmark de plusieurs word embeddings dans l'approche active learning
- Convenir de la métrique d'évaluation (niveau de confiance) avec le métier
Environnement technique : Python, tensorflow, keras, gensim, DB2, UNIX
Contexte: Dans le contexte sanitaire COVID -19, l'objectif est de développer une camera de surveillance intelligente basée sur la vision par ordinateur à déployer dans les surfaces publiques et privées (cafeterias et cantines d'entreprises, librairies, aéroports, magasins, etc.).
Réalisation :
- Intelligence artificielle
- Choix de l'architecture du réseau de neurones ==> expérimentation de YOLO && SSD-mobilnet
- Entrainement du modèle sur les données de notre cas d'étude
- Développement de la détection/coptage/Tracking des individus à partir du flux vidéo
Ingénierie :
- Conversion du modèle au format TRT pour exploiter le GPU de la jetson nan
- Défusion du flux vidéo sur un serveur RTM
- Envoie des métriques (nombre d'individus et distanciation) au CLOUD AZURE
Contexte : La ligue nationale de rugby a pour ambition d'automatiser une partie de son activité via des algorithmes d'intelligence artificielle et d'analyse de données. L'application des sanctions requière le visionnage du match par un expert. L'objectif est d'automatiser l'identification des joueurs et toutes les actions dangereuses émises au cours du match.
Réalisation :
1) Identification de chaque partie du corps des joueurs
- Entrainement d'un réseaux de neurones sur l'identification des jointures de chaque partie du corps des joueurs (human pose estimation).
2) Identification des jeux dangereur.
- Développement d'une architecture de réseau de neurones mixte : (1) CNN comme extracteur de features sur une séquence vidéo et (2) LSTM pour capturer l'information sur l'extracteur de la séquence.
- Utilisation dans un approche d'active learning pour une annotation de données efficace avec le métier.
Contributions:
• Traitement des données textuelles (Python)
- Le but est de détecter les thèmes récurrents
- Web Scraping : extraction des données textuelles d’entrainement pour les modèles d’apprentissage automatique.
- Prétraitement et nettoyage des données : tokenisation, stemming et lemmatisation, suppression de stop words et ponctuation
- Représentation d’un corpus : utilisation de la métrique term frequency-Inverse Document Frequency (tf-idf).
-- Topic modeling : Latent Dirichlet Allocation
• Traitement des données visuelles (Python)
- Le but est d’améliorer les performances de l’assistant vidé
- Reconnaissance faciale à partir d’un flux webcam : landmark & K-plus proches voisins
- Localisation et détection d’objets et de personnes sur un flux vidéo en temps réel :
- Implémentation de l’approche Sliding window et YOLO (transfert Learning avec YOLOV3)
- Estimation de flux de passagers à partir des vidéos : affichage du nombre de personnes sur le flux vidéo à partir de la localisation et la détection de personnes via YOLO
- Identification des actions de violence à partir de flux vidéo : réseaux de neurones mixte convolution & LSTM
- Création d’un menu interactif sur webcam : utilisation d’un réseau de neurones entrainé pour détecter et suivre une main via la webcam pour effectuer des choix ajoutés en réalité augmentée
Environnement technique : Python, NLTK, gensim, TensorFlow, Keras, Scikit-learn, OpenCV
• Développement d’un algorithme de dimensionnement des services de soins (Python) :
- Implémentation d’un modèle mixte : chaine de Markov, simulation à évènement discret et modèle de classification
• Développement d'un outil préventif pour prédire la dépression des aidant-soignants (Python) :
- Prétraitement des données : one hot encoding et label encoding
- Réduction de la dimension des données pour accélérer la convergence des modèles d’apprentissage automatique (PCA et Isopam)
- Extraction des facteurs de risque d’épuisement des aidants par apprentissage supervisé
- Utilisation des modèles d’apprentissage supervisé (régression et classification)
- Prédiction de dépression des aidants par apprentissage supervisé
• Développement d’un outil d’organisation de prise en charge des services de soins (Python) :
- Implémentation d’une simulation multi-agent pour simuler les patients et les services de soins
- Implémentation des chaînes de Markov et modèles supervisés (classification et régression) pour chaque agent de la simulation.
- Développement d’un outil de tarification du parcours aidant/patient (Python) :
- Comparaison médico-économique de deux parcours aidant/patient : avec et sans outils de prédiction
Consultant
Type de contrat | Freelancers |
---|---|
Taux journalier | 555$/jour |
Expérience | 6 ans |
Localisation | France |
Consultant
Type de contrat | Freelancers |
---|---|
Taux journalier | 345$/jour |
Expérience | 6 ans |
Localisation | France |
Consultant
Type de contrat | Freelancers |
---|---|
Taux journalier | 555$/jour |
Expérience | 7 ans |
Localisation | France |
Consultant
Type de contrat | Freelancers |
---|---|
Taux journalier | 250$/jour |
Expérience | 6 ans |
Localisation | France |
Consultant
Type de contrat | Freelancers |
---|---|
Taux journalier | 690$/jour |
Expérience | 6 ans |
Localisation | France |
Consultant
Type de contrat | Freelancers |
---|---|
Taux journalier | 555$/jour |
Expérience | 7 ans |
Localisation | France |
Consultant
Type de contrat | Freelancers |
---|---|
Taux journalier | 320$/jour |
Expérience | 5 ans |
Localisation | France |
Consultant
Type de contrat | Freelancers |
---|---|
Taux journalier | 555$/jour |
Expérience | 5 ans |
Localisation | France |
Consultant
Type de contrat | Freelancers |
---|---|
Taux journalier | 485$/jour |
Expérience | 6 ans |
Localisation | France |
Consultant
Type de contrat | Freelancers |
---|---|
Taux journalier | 345$/jour |
Expérience | 6 ans |
Localisation | France |
Consultant
Type de contrat | Freelancers |
---|---|
Taux journalier | 390$/jour |
Expérience | 6 ans |
Localisation | Maroc |
Consultant
Type de contrat | Freelancers |
---|---|
Taux journalier | 470$/jour |
Expérience | 6 ans |
Localisation | Royaume-Uni |