Guillaume De Bigault De Granrut

Contexte :

- ESTAC : interface permettant de piloter et d’utiliser un cœur de calcul simulant une centrale nucléaire (application de bureau)

- ACDC-Serveur : centralise et stocke les données des centrales, interface d’analyse pour les équipes de gestion de crise

- API ACDC : permet d’enregistrer les données récupérées des centrales, et permet aux autres applications de la cellule de crise d’avoir les données des centrales

- Module CNCE3 : module qui récupère en temps réel les données des centrales, et les sauvegardes via l’API ACDC.

Tests automatisés :

- Tests unitaires en javascript et en python

- Tests fonctionnels via selenium et playwright

- Modification des tests pour les rendre parallélisables (isolation, mock des dossiers de travail de l’appli, …)

CI/CD

- Gitlab CI pour les pipelines de tests, et de build des clients lourds.

ESTAC :

Refactoring du multithreading et simplification de la gestion des threads

Correction des tests : isolation, parallélisation

ACDC Serveur (application web) 

Gestion multivue des données récupérées (graphique et tableau).

Mise à jour des modèles de données (via l’ORM Django)

Refactor du front pour utiliser une architecture via composants (notamment pour simplifier les tests automatisés)

API ACDC 

- Ajout de routes pour l’API

- Génération de documentation automatisée via DRF spectacular

- Gestion des autorisations et habilitations via l’API SSO interne.

Module CNCE3 : module qui récupère en temps réel les données des centrales et les sauvegarde :

- Mise à jour du module pour prendre en charge le format de données de l’EPR.

- Ajout d’un test fonctionnel automatisé complet (avec mock du serveur de donnée, et de l’API ACDC)

Environnement technique : Python 3, Django 3, DRF (Django REST Framework), GitLab CI, JavaScript, AgGrid, Plotly, Linux, PyQt 5, Selenium, Playwright Postgre via ORM Django

Contexte :

Projet R&D pour Sogeti

Objectif : application de détection de voitures dans des images, et extraction d’informations diverse (modèle, marque, …)

3 parties :

Application mobile fournissant l’interface pour prendre les images.

Modèle d’IA permettant l’analyse d’images

API permettant la communication entre l’application mobile et l’IA

Contexte d’entrainement des modèles :

GPU sur cloud Azure

Stockage des modèles et des métriques d’entrainement sur Elasticseach

Stockage des jeux de données sur Nexus

Utilisation de Azure devops pour la partie CI/CD et versionning

Ressources cloud gérées avec terraform par l’équipe devops

API déployée avec Kubernetes (déploiement réalisé par équipe devops)

Tâches réalisées :

Expérimentations et entrainement de modèles d’analyse

Utilisation de Tensorflow (Tensorflow Hub) pour concevoir les modèles prédictifs.

Réalisation d’une librairie utilisée par plusieurs projets permettant de :

Configurer les paramètres d’entrainement des modèles

Récupérer les données sur le serveur Nexus

Mettre à jour les résultats sur Elasticsearch

Création des images docker contenant les scripts d’entrainement, et l’API.

Modification des pipelines CI/CD pour lancer facilement les entrainements via la librairie.

Réalisation d’une API de prédiction avec Flask (python)

Prend l’image en paramètre, et renvoie à l’application mobile les résultats de prédiction.

Environnement technique : Python, Flask, Tensorflow, Elastic Search, Docker, Azure DevOps