Imen Halima

Création d'une solution dans le domaine de la pharmaceutique basée sur l’IA permettant aux utilisateurs (professionnels de santé, chercheurs, pharmaciens) d'interroger facilement des documents pharmaceutiques (notices, études, rapports PDF, etc.) via un chatbot en langage naturel.

Fonctionnalités principales :

. Ingestion automatique de documents

. Upload de documents PDF (notices de médicaments, essais cliniques, réglementations).

. Extraction intelligente des données avec OCR + NLP.

. Structuration et indexation dans une base de données vectorielle .

. Structuration automatique en base

. Mapping sémantique vers un schéma de base pharmaceutique prédéfini (médicaments, principes actifs, posologies, effets indésirables, interactions).

. Utilisation de modèles LLM spécialisés en biomédical pour extraire l’information pertinente.

. Résultats sous forme de tableaux, listes, graphiques.

. Visualisation des résultats avec Power BI : création de dashboards interactifs pour l’analyse des données extraites (posologies, effets secondaires, interactions, etc.)

. Possibilité d’export (CSV, JSON, ou affichage interactif).

• Développement d'algorithmes de segmentation, de détection et de suivi des cellules à partir d'images microscopiques pour analyser la déformabilité cellulaire en fusionnant des modèles supervisé et non supervisé (U-Net, GAN, VAE).

• Création d'une base de données de cellules dans différents états générée via des scénarios d'acquisition adaptés afin de valider le modèle d'apprentissage automatique.

• Intégration d'un système correctif des commandes d'impression pour améliorer la qualité de la bio-impression 3D et de réduire les défauts de production pour des biologistes, chimistes et rhéologistes.

• Utilisation de modèles non supervisés et de lois physiques en espace latent

Classification des postures des personnes à partir des images couleurs, thermiques et de profondeur basées sur des méthodes de Deep Learning

Traitement d'Images et Vision 3D:

OpenCV, Pytorch, Keras, CUDA, (SSD, YOLOv3, Faster R-CNN). Technologies : Python, Scikit-Learn, Tensorflow, Keras, Linux. loi gausienne, flot optique, modèles bayésiens.