Description

Deep Learning | Computer Vision | Imagerie Médicale & Industrielle

Vous avez des images médicales ou industrielles à analyser automatiquement ?

Votre modèle d'IA fonctionne en labo mais peine à passer en production?

Ingénieur Deep Learning spécialisé en Computer Vision, je conçois des solutions d'analyse d'images de bout en bout : de la R&D au déploiement sur CPU, sans GPU coûteux.

Mon dernier projet : la segmentation 3D de tumeurs cérébrales pour un acteur de l'imagerie médicale.

Résultat : score Dice de 0.94, modèle réduit de 44%, inférence en moins de 3 secondes sur CPU. Pipeline livrée prête pour l'intégration clinique.

Mes services :

Analyse automatique d'images : classification, détection d'objets, segmentation (2D/3D)
Optimisation de modèles pour la production : contrôle qualité visuel, vision industrielle
Conseil technique : faisabilité IA, choix d'architecture, stratégie de déploiement

Ma boîte à outils : Python, PyTorch, MONAI, ONNX Runtime, OpenCV, Docker.

Une question, un projet ? Contactez-moi pour en discuter de vive voix.

Domaines d’expertise

Langues

Français
Bilingue ou natif
Anglais
Capacité professionnelle complète

Préférences en matière de lieu de travail

En télétravail uniquement

Travaille majoritairement à distance

glioVision 360 (Projet R&D)
Ingénieur Lead Deep Learning | Segmentation 3D & Optimisation
HIGH TECH
octobre 2025 - février 2026 (4 mois)
Paris, France
Projet R&D visant à automatiser la détection de tumeurs cérébrales (dataset BraTS 2021) pour les cliniciens, avec une contrainte forte : le modèle devait tourner en environnement clinique, sans GPU dédié.

Résultats livrés :
Architecture SOTA : implémentation du modèle MambaBTS (CNN + State Space Model) atteignant un Dice de 0.94.
Optimisation industrielle : réduction de la taille du modèle de 44% via Knowledge Distillation et Quantization pour permettre une inférence sur CPU (< 3s).
Système d'aide à la décision : intégration d'une cartographie d'incertitude via MC-Dropout et création d'un Jumeau Numérique 3D interactif (Mesh3D).
Qualité & fiabilité : Validation de la pipeline via l'export ONNX Runtime.
Stack : PyTorch, MONAI, Mamba/SSM, ONNX Runtime
Pytorch Deep Learning Machine learning imagerie médicale Image segmentation
Industrie High-Tech
Computer Vision & Classification d'images
ARTS & ARTISANAT
octobre 2025 - novembre 2025 (1 mois)
Paris, France
Conception et développement d'un pipeline de classification d'images pour l'identification automatique d'œuvres d'art (reconnaissance d'artistes).

Modélisation : Entraînement de réseaux de neurones (CNN) via des techniques de Transfer Learning et Fine-Tuning pour optimiser la précision sur un dataset spécifique.
Data Engineering : Constitution du dataset, nettoyage, et mise en place de stratégies de Data Augmentation pour renforcer la robustesse du modèle.
Industrialisation : Structuration du code en Python modulaire pour faciliter le déploiement futur (API).

Stack : Python, PyTorch, Pandas, OpenCV, Scikit-learn.
Data Engineer Pytorch Image classification Deep Learning Machine learning
Automatisation comptable
Ingénieur IA | Automatisation comptable & Moteur de règles
HIGH TECH
juin 2025 - août 2025 (2 mois)
Paris, France
Une équipe comptable traitait manuellement des milliers d'écritures par mois, chaque facture extraite devait être imputée selon le Plan Comptable Général, ventilée en TVA, et vérifiée. Tâche répétitive, chronophage, source d'erreurs.
Objectif : automatiser l'imputation tout en conservant la traçabilité du raisonnement, condition non négociable pour l'audit.

Résultats livrés :
Moteur de règles d'imputation comptable automatique (PCG, ventilation TVA) à partir de données de factures extraites.
Scoring de confiance par écriture et traçabilité complète du raisonnement d'imputation : chaque écriture porte son explication.
Contrôles automatiques : détection de doublons, montants aberrants, incohérences TVA, fournisseurs inconnus — remontée humaine sous seuil configurable.
Architecture modulaire : règles d'imputation configurables par type de document, facilitant l'extension à d'autres flux (notes de frais, bons de commande, remboursements).
Guide pédagogique : « De l'extraction à l'écriture comptable, Automatiser l'imputation avec l'IA ».

Impact : L'équipe comptable passe de l'imputation manuelle à la validation
de propositions automatiques. Chaque écriture suspecte est remontée avec
son score de confiance, ce qui transforme la charge de travail en revue
ciblée plutôt qu'en saisie systématique.
Python Pandas Scikit-learn Spacy FastAPI