Adem U.

Au sein de l’équipe "Store-AI", conception et amélioration des applications du magasin "Boxy": un magasin connecté entièrement autonome.

Réalisatons:

- Mise à jour des applications du Boxy pour un meilleur monitoring des évènements liés au magasin (entrée-sortie client, prise produit, etc). Technologies: Fluentd, Kibana, API REST.

- Ajout de la captation de température dans le Boxy et remontée de l’information dans nos infrastructures cloud. Technologies: Arduino et RaspberryPi, Connexion Série en USB, Prometheus + Grafana.

- Amorçage du Boxy v2: design de la nouvelle architecture en microservices, utilisation de technologies robustes, mise à niveau de l’architecture vers une solution plus conforme aux standards existants. Technologies: Kubernetes, RabbitMQ, Microservices.

- Mise en place de procédures de "code quality check" pour les applications Python: linting, formatting, unit testing et static type checking (le tout automatisé via Gitlab, Git-Hooks).

Technologies: Python3.7+, Pytest, Pylint, Yapf, MyPy, Gitlab, Git-hooks.

Conception et développement de solutions logicielles autour de l’analyse de vidéos en temps réel via des algorithmes de deep learning.

Réalisations:

- Conception et développement d’un outil interne de création et de gestion de base de données d’images et vidéos. Technologies: Angular, Django, PostgreSQL, docker avec docker-compose pour le déploiement.

- Amélioration des outils internes d’annotations, changement de stack technique.

Passage a React/Redux (TypeScript), Sanic (python async web server). Mise en place de code review, sessions de pair programming, etc.

- Conception et développement du produit Context: une API REST permettant d’envoyer des vidéos et recevoir l’analyse de celles-ci (détections de célébritiés, logos, objets, etc.) Technologies: FastAPI (framework python) pour la création de l’API, PostgreSQL. Déploiement des services sur un cluster Kubernetes géré en interne et hebergé par AWS. Utilisation des services AWS pour faciliter le déploiement en production (Lambda, EC2, etc.) Mise en place d’un versionage de l’API, mise à jour de celle-ci sans interruption de service.

- Développement de fonctionnalités sur le dashboard client: nombre de vidéos chargées sur l’API, statistiques diverses sur les vidéos, etc. Technologie utilisée pour le dashboard client: React/Redux avec TypeScript.

- Mise en place de tests fonctionnelles de l’API et du dashboard. Utilisation de PyTest en python, et Jest pour le frontend.

- Refonte de l’application coeur de Context: le service "Compute" dont la responsabilité est de charger les modèles de deep learning et de traiter les vidéos qu’elle reçoit: découpage en frame, sous-échantillonnage, détection, tracking, classification. Passage à une architecture en microservices liés à un service de messagerie Kafka. Résolution de problématiques de mise à l’échelle des micro services via Kubernetes + addons.