Jonathan T.

Développement de pipelines d’IA avancés pour la cardiologie et la neurochirurgie, incluant la classification de cartes de voltage 3D de l’oreillette gauche (extraction de caractéristiques, t-SNE), la classification d’arythmies à partir d’ECG 12 dérivations grâce à l’analyse du signal et à un modèle de deep learning InceptionTime, ainsi que la segmentation du ventricule gauche.

Conception d’algorithmes de compensation du déplacement cérébral (brain shift) via Coherent Point Drift (CPD) pour l’enregistrement peropératoire, reconstruction de l’épaisseur du tissu épicardique à partir de nuages de points à l’aide d’une fonction de distance signée (SDF), et intégration du suivi de caractéristiques vidéo basé sur TAPIR.

Projets réalisés en collaboration avec Johnson & Johnson MedTech.

Direction d'une équipe de 10 ingénieurs pour le développement d'un logiciel d'orthodontie basé sur l'intelligence artificielle.

Création de modèles de machine learning, deep learning et computer vision en Python, fondée sur la consultation d'articles de recherche. Préparation des données, extraction des caractéristiques et implémentation d'algorithmes.

Le déploiement en production s'effectue via le service AWS Cloud, en utilisant notamment Sagemaker pour les tâches d'entraînement et les points de terminaison, Elastic Container Service (ECS) pour la définition des tâches et la gestion des clusters, Elastic Container Registry pour le transfert d'images Docker, ainsi que les services Lambda pour les fonctions. Les services Docker et GIT sont également intégrés.

Soumission FDA 510(k) et marquage CE.

Soumission de patent basé sur l'innovation algorithmique.

Obtention d'un fond basé sur l'excellence en IA de l'authorité d'innovation d'Israel.

En tant qu'ingénieur en intelligence artificielle, j'ai dirigé les missions suivantes :

1. Définition du flux de travail et de l'algorithme AI :

- Formulation et affinage du flux de travail en IA, avec conception d'algorithmes adaptés.

2. Construction d'ensembles de données (dataset) cohérents :

- Création d'ensembles de données de qualité, extraction méthodique de caractéristiques pertinentes (features extraction).

3. Recherche de pointe :

- Veille des avancées en segmentation 3D et modèles de planification de mouvement.

4. Développement de modèles AI :

- Conception de modèles d'apprentissage automatique et profond (machine learning et deep learning) avec des techniques innovantes.

5. Validation de modèle :

- Validation rigoureuse avec k-fold et autres méthodes, respect des critères de performance.

6. Déploiement en production :

- Déploiement des modèles validés en environnement de production, en tenant compte de la scalabilité et de l'intégration.