Ilyas T.

Dans le cadre de ce poste, j'ai piloté la mise en place d'une infrastructure MLOps robuste permettant l'automatisation et la traçabilité complète des processus de Machine Learning, de l'entraînement au déploiement.

1. Conception et implémentation d'une architecture hybride Cloud/On-premise pour l'industrialisation des workflows ML, assurant performance et flexibilité.

2. Mise en place d'un système complet de traçabilité via MLflow permettant le suivi des expérimentations (paramètres, métriques, artefacts) et la reproductibilité des résultats.

3. Implémentation du versioning des données avec DVC et LakeFS, garantissant la traçabilité et la gouvernance des jeux de données d'entraînement.

4. Automatisation des pipelines CI/CD avec :

5. Déploiement et configuration d'outils clés :

En tant que doctorant en computer vision et deep learning, j'ai acquis une expérience solide dans le développement de modèles de détection de défauts par caméra infrarouge. J'ai une maîtrise approfondie des bases du traitement d'images, ainsi que des algorithmes de vision par ordinateur sur des images thermiques.

Je suis particulièrement compétent dans les méthodes de détection et de localisation d'objets à base de deep learning, notamment l'utilisation de CNN, le transfert learning, la segmentation sémantique et la segmentation d'instances. En outre, j'ai une expérience avancée dans la programmation en Python et la manipulation des frameworks de deep learning tels que TensorFlow et PyTorch.

Je suis également familiarisé avec les méthodes de calibration des caméras, ce qui me permet de développer des modèles de détection de défauts de haute qualité. Mon expertise dans ce domaine me permet d'apporter une contribution significative à tout projet impliquant des technologies de vision par ordinateur et d'apprentissage profond.

Intégrer une main robotique pour la construction.

Évaluer les contraintes techniques.

Mettre en place une stratégies d'optimisation la construction de batiments.