Pipelines ML et applications.

J’ai conçu le pipeline d’extraction de tableaux de garanties et l’interface de vérification sur le PDF. La refonte Rust / Python réduit la RAM d’environ 70 %.

J’ai adapté BiRefNet aux images client et construit le pipeline de l’annotation à l’inférence. Défauts observés visuellement : environ 50 % avant, moins de 25 % après.

Je développe un éditeur visuel avec primitives réutilisables, timeline, prévisualisation et rendu vidéo pour composer des animations Math / ML sans recoder chaque scène.

J’ai développé une brique de préparation des données pour la R&D : lecture HDF5, matérialisation des trajectoires en Parquet et export vidéo MP4.

J’ai comparé des modèles sur les embeddings V-JEPA et des baselines temporelles. Le temps améliore certaines tâches, mais peut aussi expliquer les scores sans détection d’erreur visuelle.

J’ai préparé les données et expérimenté l’entraînement de LeWM sur un subset DROID 10k. L’expérience n’a pas permis d’atteindre l’objectif de pilotage d’un bras robotique.

J’ai développé l’application de gestion équestre du frontend au backend et intégré YOLO pour explorer la pose du cavalier. Les recommandations par LLM restent expérimentales.