Bruno Ramael

CTO et développeur IA / Full Stack, j'accompagne les startups et PME dans la création de produits SaaS, d'agents IA et de solutions d'automatisation à forte valeur métier.

Fondateur technique de Eat&Work, une plateforme de community building qui automatise l'animation, le matching et l'organisation d'événements professionnels grâce à l'intelligence artificielle. J'ai conçu et développé l'ensemble de l'architecture technique ainsi qu'un bot conversationnel capable de mettre en relation les membres selon leurs profils, leurs objectifs et leurs centres d'intérêt.

Compétences principales :

• Python, FastAPI, Node.js, Next.js, React

• Agents IA et IA générative (OpenAI, Mistral)

• RAG (Retrieval-Augmented Generation)

• ChromaDB, SQLite, PostgreSQL

• Conception de chatbots et assistants IA

• Automatisation de processus métier

• APIs et microservices

• Observabilité et monitoring (Prometheus, Grafana)

• Déploiement Cloud et conteneurisation (Docker)

Réalisations :

• Développement d'un moteur de matching intelligent pour communautés professionnelles.

• Mise en place d'un pipeline RAG utilisant ChromaDB pour enrichir les réponses du bot avec des connaissances métiers.

• Intégration de modèles GPT et Mistral pour améliorer la pertinence des recommandations.

• Architecture de monitoring complète avec Prometheus et Grafana pour suivre les performances et la qualité des interactions.

• Automatisation de l'onboarding, des événements et de l'animation de communautés sur Slack, Discord et Telegram.

Je privilégie les projets où l'IA apporte un gain métier concret : automatisation, assistants internes, support client, moteurs de recommandation, agents conversationnels et plateformes SaaS augmentées par l'IA.

Architecture IA de détection et segmentation de déchets – Système distribué edge & cloud

Conception et développement from scratch d’une plateforme complète de détection et segmentation de déchets pour une startup spécialisée dans l’analyse environnementale, intégrant vision par ordinateur, IA générative et architecture microservices.

Contexte & objectif

Mise en place d’un système intelligent capable de :

capturer des images via une Raspberry Pi sur le terrain,

transférer les données vers le cloud,

analyser automatiquement les images pour détecter et segmenter différents types de déchets,

exposer les résultats via une plateforme web et des API.

Architecture & pipeline IA

• Conception d’une architecture distribuée edge-to-cloud basée sur microservices Docker.

• Mise en place d’un pipeline de traitement d’images :

capture sur Raspberry Pi,

upload sécurisé vers Azure Blob Storage,

déclenchement d’un traitement IA côté backend.

• Implémentation de modèles de Computer Vision :

Detectron2 pour la segmentation d’objets complexes,

Segment Anything Model (SAM) de Meta pour la segmentation générique et assistée.

• Comparaison et sélection du modèle le plus pertinent selon les cas d’usage (précision, robustesse, performance en conditions réelles).

Innovation IA & LLM

• Conception d’une méthode hybride combinant Computer Vision et LLM pour améliorer la détection de déchets complexes ou ambigus.

• Utilisation de modèles de langage pour enrichir l’interprétation des résultats de segmentation et affiner la classification des déchets.

Backend & API

• Développement d’API REST en Express.js et FastAPI

• Orchestration microservices conteneurisée avec Docker.

• Déploiement des services sur Azure Container Apps / Azure Kubernetes (selon configuration projet).

Frontend Nextjs

• Implémentation d’un système de monitoring et observabilité avec Grafana

Détection intelligente d’animaux pour une exploitation agricole

Accompagnement d'une TPE agricole dans la mise en place d'un système de surveillance automatisé permettant de détecter la présence et les déplacements des ânes sur l'exploitation en temps réel.

Réalisations

• Conception et développement d'un système de vision par ordinateur embarqué sur Raspberry Pi.

• Constitution et annotation d'un dataset personnalisé avec CVAT pour l'identification des ânes dans différents contextes (conditions météo, luminosité, angles de vue).

• Entraînement et optimisation d'un modèle YOLO pour la détection temps réel avec contraintes matérielles embarquées.

• Déploiement du modèle sur Raspberry Pi avec traitement vidéo local afin de limiter les coûts d'infrastructure.

• Mise en place d'un système d'alertes automatiques via Telegram lors de la détection d'événements spécifiques.

• Développement d'une interface web de supervision en Next.js permettant :

la visualisation des détections ;

l'historique des alertes ;

le suivi des équipements ;

la consultation des statistiques d'activité.

Technologies

Python, YOLO, Computer Vision, CVAT, Raspberry Pi, Telegram Bot API, Next.js, React, Docker.

Résultat

Mise en place d'une solution autonome de surveillance basée sur l'IA, capable de détecter les animaux en temps réel et d'alerter instantanément l'exploitant, réduisant les contrôles manuels et améliorant le suivi quotidien du cheptel.