Aimen Zerroug

Cofondateur d’iDISCOVR, entreprise deeptech développant des expériences immersives en réalité virtuelle ainsi que les logiciels permettant leur déploiement et leur exploitation à grande échelle. • Pilotage de la conception et du développement d’iFlow, une plateforme d’orchestration temps réel permettant de gérer les utilisateurs, groupes, casques, sessions, espaces physiques et contenus immersifs depuis une interface centralisée. • Conception de LiveActor, un prototype de personnages virtuels autonomes sous Unreal Engine 5, combinant LLM, contexte conversationnel, mémoire, synthèse vocale et déclenchement d’actions dans un environnement 3D. • Conception technique et au déploiement de L’Écho de l’Univers, une expérience scientifique immersive en déplacement libre exploitée dans plusieurs lieux accueillant du public. • Conception d’architectures logicielles intégrant communication temps réel, équipements XR, applications Unreal Engine et outils opérationnels. • Travail sur la fiabilité des sessions, la supervision des équipements, la gestion des incidents et le déploiement dans des environnements réels. • Coordination avec des développeurs, studios de production, fournisseurs de matériel, experts scientifiques et partenaires d’exploitation. Compétences associées IA générative, LLM, IA conversationnelle, Unreal Engine 5, systèmes temps réel, architecture logicielle, intégration API, développement produit, gestion de projet technique.

Travaux de recherche consacrés aux réseaux de neurones bio-inspirés, aux architectures modulaires et à l’apprentissage efficace, avec un intérêt particulier pour le routage dynamique de l’information et la combinaison de modules spécialisés. • Conception et développement d’AbstractNet, une famille d’architectures neuronales modulaires coordonnant plusieurs réseaux de neurones au sein d’une architecture récurrente dotée d’une mémoire et d’un mécanisme de routage appris. • Développement de modèles, pipelines d’entraînement et protocoles expérimentaux en Python et PyTorch. • Travaux sur le raisonnement visuel, la généralisation compositionnelle, l’apprentissage auto-supervisé et les modèles génératifs. • Developpement de CVR, un benchmark publié à NeurIPS comprenant 103 tâches de raisonnement visuel générées procéduralement. • Création de jeux de données synthétiques et comparaison de différentes architectures neuronales selon leur précision, leur efficacité en données et leur capacité de généralisation. • Analyse des erreurs, limites et comportements des modèles à travers des protocoles d’évaluation reproductibles. • Publication de trois articles scientifiques et présentation des résultats auprès de communautés académiques et industrielles. Compétences associées Python, PyTorch, deep learning, machine learning, computer vision, modèles génératifs, réseaux de neurones, évaluation de modèles, données synthétiques, recherche appliquée.

Application du machine learning et du deep learning à des problématiques industrielles liées aux données énergétiques, à la génération de séries temporelles et à l’analyse de la consommation électrique. • Développement d’une approche fondée sur les WGAN pour générer des profils annuels synthétiques de consommation électrique résidentielle. • Modélisation des dépendances temporelles et de la variabilité comportementale présentes dans les données de consommation. • Travaux sur la génération et l’anonymisation de données énergétiques sensibles. • Contribution à des méthodes de Non-Intrusive Load Monitoring, visant à estimer la consommation des différents appareils à partir de la consommation électrique globale d’un foyer. • Participation à des projets d’intelligence artificielle appliqués à l’optimisation de plans de charge de réacteurs nucléaires et à la prédiction de profils de consommation. • Conception de pipelines de traitement de données, de protocoles expérimentaux et de méthodes d’évaluation en collaboration avec des experts du domaine énergétique.

Recherche et prototypage de méthodes d’intelligence artificielle pour la génération et la manipulation de représentations 3D structurées. • Étude d’architectures neuronales permettant de générer des modèles 3D dans un format hiérarchique. • Développement de pipelines expérimentaux de génération et d’évaluation de structures 3D. • Conception d’une application web permettant de visualiser et de modifier les modèles générés. • Intégration des résultats issus des modèles d’IA dans une interface logicielle interactive. • Analyse des résultats expérimentaux et communication des conclusions auprès des équipes de recherche et d’ingénierie. Compétences associées Python, deep learning, modèles génératifs, données 3D, computer vision, prototypage, développement web, visualisation de données.