Halimi A.

Développé une solution complète pour l’analyse automatisée de documents d’identité :

Mis en oeuvre une pipeline OCR Tesseract en Go, optimisée par des prétraitements en vision par ordinateur.

Intégré des modèles vision-langage (VLM) via Nanonets pour assister l’OCR dans l’identification des zones d’intérêt.

Développé et industrialisé des modèles de détection de visages par Faster R-CNN avec fine-tuning pour la localisation fiable des zones faciales.

Développé des modèles prédictifs dans le cadre du programme Prognos®, afin d’anticiper la dégradation des systèmes critiques de la flotte Air France–KLM.

Collaboré avec des experts métiers pour transformer des signaux techniques en indicateurs exploitables.

Industrialisation on-premise d’une solution de maintenance prédictive appliquée au système de conditionnement d’air du Boeing 777.

J'ai développé une méthode pour reconnaître des images similaires en utilisant une approche multimodale basée sur SimCLR. L'objectif était d'identifier des images historiques altérées ou recadrées tout en conservant leurs similarités visuelles et contextuelles.

Assemblage et enrichissement du jeu de données : J'ai constitué un jeu de données en associant des images originales et leurs versions modifiées. Pour enrichir le contexte, j'ai utilisé des modèles de traitement du langage naturel (NLP) afin de générer des légendes descriptives pour chaque image, apportant ainsi une couche d'information contextuelle supplémentaire pour le rapprochement de similarité.

Apprentissage contrastif avec SimCLR : En utilisant SimCLR, j'ai entraîné le modèle à différencier les paires d'images similaires des paires dissemblables. En combinant des caractéristiques visuelles et des données contextuelles, j'ai atteint un niveau élevé de précision pour identifier les images correspondantes à travers différentes variations.