À propos de Maël
Ingénieur Expert en Intelligence Artificielle & Vision par Ordinateur | Deep Learning | Machine Learning
Ingénieur EPITA, je combine expertise technique et expérience internationale (Bosch Singapour, Huawei) pour développer vos solutions d'IA et de vision par ordinateur.
Expertises techniques :
- Intelligence Artificielle & Deep Learning : TensorFlow, PyTorch, scikit-learn
- Vision par Ordinateur : OpenCV, traitement d'images et vidéo
- Edge Computing & Systèmes Embarqués : Optimisation, déploiement edge
- Data Science : numpy, pandas, analyse et valorisation des données
Réalisations significatives :
- Amélioration de 70% à 94% des performances d'un système de vision embarquée (Bosch)
- Optimisation de modèles d'IA pour systèmes contraints: 2s -> 0.01s pour le temps de prédiction
- Développement de pipelines complets de traitement d'images
- Contribution à plusieurs rapports d'invention validés par l'entreprise
Services :
- 🔍 Conception et développement de solutions IA/Vision
- 📊 Proof of Concept et prototypage rapide
- 💻 Optimisation de modèles pour l'embarqué
- 📈 Audit et conseil technique
- 🎯 Formation et accompagnement
Technologies : Python, C++, CUDA, TensorFlow, PyTorch, OpenCV, scikit-learn, numpy, pandas, PHP
Français
Bilingue ou natif
Anglais
Bilingue ou natif
Espagnol
Capacité professionnelle limitée
Accepte de travailler sur site
Paris (jusqu’à 30 km)
Expériences
- Joris LIMONIER
Sur Malt
DÉTECTION AUTOMATIQUE DE SCORES DE JUDO PAR DEEP LEARNINGSPORToctobre 2025 - octobre 2025MISSIONDévelopper un MVP de détection automatique des moments de score dans les vidéos de combats de judo pour réduire de 80% le temps de visionnage manuel.RESPONSABILITÉS & ACTIONS- Conception pipeline ML end-to-end : scraping API IJF → détection temps réel
- Architecture Conv1D + LSTM pour séquences vidéo (225 features MediaPipe pose + mains)
- Feature engineering avec normalisation hip-centered et fenêtres temporelles 2s
- 4 modes de détection : single, batch, streaming avec buffer circulaire
- CLI interactif orchestrant 6 modules (scraping, annotation, training, détection)
- Résolution blockers critiques : Docker → pyenv+venv, Keras 3.11→3.8.0
- Optimisation temps extraction : 2h → 60 min avec MediaPipe 10fps
- Scraper API IJF avec sélection diversifiée (50 combats, annotations automatiques)
- Outil GUI annotation manuelle OpenCV pour recalibrage timestamps
- Génération automatique no-scores avec ratio 10:1 optimisé empiriquement
- Système de cache features intelligent (évite ré-extraction, gain 10x)
RÉSULTATS- Specificity 81.85% (objectif 70% dépassé de +11.85 points)
- Accuracy 78.66% sur dataset de 49 vidéos, 53 scores, 567 no-scores
- Réduction ~80% temps visionnage manuel (532/650 moments correctement filtrés)
- Pipeline complet fonctionnel et documenté (README, changelog, guide CLI)
- 8 scripts Python modulaires production-ready (~2500 lignes)
- Système évaluation complet : matrice confusion TP/FP/FN/TN, 5 métriques
- COMPÉTENCES
- Deep Learning (Conv1D, LSTM, feature engineering, équilibrage dataset)
- Computer Vision (pose estimation MediaPipe, traitement vidéo temps réel, normalisation spatiale)
- Software Engineering (architecture modulaire, CLI interactif, caching, documentation)
- Data Engineering (scraping API REST, pipeline ETL, génération données synthétiques)
- Problem Solving (analyse comparative techno, résolution blockers, trade-offs éclairés)
- Méthodologie agile (itérations rapides, tests empiriques, décisions data-driven)
- Robert Bosch ASEANAI / Electronics InternHIGH TECHfévrier 2024 - août 2024 (6 mois)Singapour, Singapour
- Développement et optimisation de modèles d'IA pour systèmes domotiques embarqués, améliorant l'accuracy de 70% à 94%
- Amélioration des temps d'inférence de modèles de 2 secondes à moins de 0.01 seconde
- Implémentation d'une approche hybride Deep Learning/Machine Learning pour optimiser les performances sur Raspberry Pi
- Gestion complète du pipeline de données : collecte, préparation et analyse des datasets d'entraînement
- Proposition et implémentation d'une migration stratégique vers des modèles ML traditionnels pour améliorer l'efficacité sur systèmes contraints
- Huawei Paris Research centerResearch internHIGH TECHseptembre 2022 - janvier 2023 (5 mois)Boulogne-Billancourt, France
- Développement d'outils de monitoring et debugging pour systèmes d'exploitation temps réel (RTOS)
- Analyse et optimisation des performances kernel pour systèmes embarqués critiques
- Création d'une suite d'outils d'analyse pour améliorer la fiabilité et la traçabilité du RTOS en développement
- Participation à l'amélioration des processus de debugging pour les équipes de développement système
Avis
Joris
Très bien - Joris LIMONIER
Avis laissé le 03/12/2025
Bon rendu sur un projet d'Intelligence Artificielle et vision par ordinateur
Recommandations
Ces profils de freelance correspondent également à vos critères
Agatha Frydrych
Backend Java Software Engineer
4.7
(3)
2
Baptiste Duhen
Fullstack developer
4.6
(4)
5
Amed Hamou
Senior Lead Developer
4
(2)
7
Audrey Champion
Web developer
4.3
(3)
4
Formations
- Diplôme d'ingénieurEPITA2024Diplôme d'Ingénieur en Informatique - EPITA Spécialisation Intelligence Artificielle & Imagerie Numérique | 2024 Formation d'excellence en ingénierie informatique Majeure : IMAGE (Intelligence Artificielle et Vision par Ordinateur) Domaines d'expertise acquis : - Deep Learning et Machine Learning - Traitement d'images et Computer Vision - Développement logiciel avancé - Systèmes embarqués et optimisation CTI (Commission des Titres d'Ingénieur) - Grade Master