Scolaire

Réalisation d’un projet de computer vision appliquée visant à concevoir un système de détection, de suivi et de comptage de personnes en temps réel à partir d’un flux vidéo. Ce type de solution répond à des enjeux concrets tels que la gestion des flux de personnes, l’analyse de fréquentation ou la surveillance d’espaces publics et commerciaux.Le projet repose sur l’utilisation de YOLOv8, un modèle de deep learning spécialisé dans la détection et le tracking d’objets. Contrairement aux approches image par image classiques, le modèle attribue un identifiant unique à chaque individu, permettant un suivi continu dans le temps et évitant les doubles comptages.Le système détecte les personnes, suit leur trajectoire à l’aide des bounding boxes et des tracking IDs, puis met en œuvre un mécanisme de comptage basé sur le franchissement d’une ligne virtuelle. Seul le centre des bounding boxes est pris en compte afin de déterminer précisément le passage d’un individu d’un côté à l’autre de la ligne, tout en garantissant qu’un même identifiant ne soit compté qu’une seule fois.Des tests ont été menés en conditions réelles (caméra en temps réel), avec plusieurs scénarios incluant des déplacements variés et des croisements de personnes. Les résultats montrent une bonne précision de détection et de tracking, ainsi qu’un comptage fiable dans des environnements peu à moyennement complexes.Le projet aborde également les limites du suivi multi-objets, notamment les problèmes d’occlusion et de ré-identification lorsque des individus sortent puis réapparaissent dans le champ de la caméra, ouvrant des perspectives d’amélioration via des modèles plus avancés ou des techniques de re-identification.Technologies utilisées : Python, YOLOv8, RoboFlow, OpenCV (visualisation), tracking multi-objets, Jetson Nano.Enjeux clés : Temps réel, précision du tracking, évitement des doublons, robustesse face aux mouvements complexes et aux occlusions.Lien GitHub du projet: <a href="https://github.com/ClementAMT/People_detection_and_counting" rel="noopener noreferrer nofollow" target="_blank">https://github.com/ClementAMT/People_detection_and_counting</a><div class="image-container"><div class="image-row-wrapper"><div class="image-wrapper"><img src="https://cdn.collective.work/cmkpe9fx13wfg6edyh1mx4hxf.png"><div class="image-overlay"></div></div></div></div>

Projet basé sur les technologies de vision par ordinateur, visant à détecter et compter les piétons. L’implémentation est réalisée sur un système embarqué Jetson Nano, permettant une détection en temps réel.

Electronics

Projet de Computer Vision 

Personal project

Réalisation de plusieurs projets en intelligence artificielle générative, explorant des cas d’usage concrets allant de l’assistance intelligente à l’extraction automatisée d’informations, avec une attention particulière portée à la généralisation, la fiabilité des réponses et l’intégration de systèmes complexes.<ul><li>Assistant data scientist agentique Conception d’un assistant agentique capable d’analyser des jeux de données et d’en extraire des informations clés (statistiques descriptives, anomalies, tendances). Le système repose sur une orchestration multi-agents permettant la planification, l’exécution, la synthèse des analyses et la rédaction. Technologies : LangChain, LangGraph, Gemini, Python.</li><li>Fine-tuning d’un modèle LLaMA 3 – Présentateur météo Création complète d’un projet de fine-tuning d’un modèle de langage (LLaMA 3) pour un rôle spécifique de présentateur météo. Construction et nettoyage du dataset, entraînement optimisé via Unsloth et LoRa, publication du modèle sur Hugging Face, puis déploiement et tests locaux via Ollama. Enjeux : spécialisation du modèle, cohérence des réponses, optimisation des ressources.</li><li>Assistant de voyage multi-API Développement d’un assistant de voyage intelligent combinant plusieurs APIs externes (OpenWeather, Google Travel, sites d’intérêt, Google Flights, Amadeus) afin de fournir des recommandations personnalisées et contextualisées. Le projet met l’accent sur la gestion des appels API, l’orchestration des sources de données et la synthèse d’informations hétérogènes. Technologies : Python, APIs REST, LLM, prompt engineering.</li><li>Extraction d’informations clés depuis des factures PDF Développement d’une solution GenAI visant à extraire et normaliser des informations essentielles à partir de factures PDF hétérogènes, présentant des structures et des formats variés. Le défi principal portait sur la généralisation du système face à des documents non standardisés. Extraction des tableaux via Tabula, puis utilisation de LLM via OpenRouter et de techniques avancées de prompt engineering pour structurer, normaliser et consolider les données finales dans un fichier CSV exploitable. Enjeux : robustesse, qualité des données, automatisation et réduction des traitements manuels.</li></ul>À travers ces projets, j’ai développé une expertise complète sur les pipelines GenAI, incluant l’orchestration d’agents, le fine-tuning de modèles, l’intégration d’APIs, le prompt engineering avancé et la transformation de données non structurées en données exploitables.

Réalisation de projets en intelligence artificielle générative autour des modèles de langage et de la génération de contenus, incluant la conception de pipelines RAG, l’orchestration de prompts, le développement d'IA agentique suivant divers cas d'usages. 

LLMs / Large language models

Data Engineering

Clean Code

Projet GenAI 

Aubay - Kit

Je rédige des articles autour de l’intelligence artificielle, de la data et de leurs enjeux actuels, avec une volonté constante de pédagogie, de vulgarisation et de rigueur scientifique, en adaptant le discours aux publics ciblés.<ul><li>Les hallucinations des LLM : comprendre pour dépasser les idées reçues Article à vocation pédagogique visant à clarifier le phénomène des hallucinations des grands modèles de langage. Il s’attache à déconstruire certaines idées reçues, à expliquer les mécanismes sous-jacents de manière accessible et à replacer le sujet dans ses enjeux réels (fiabilité, usages, limites et bonnes pratiques).<a href="https://medium.com/@amateclement/diving-into-hallucinations-395e81f3aa08" rel="noopener noreferrer nofollow" target="_blank">https://medium.com/@amateclement/diving-into-hallucinations-395e81f3aa08</a></li><li>Détection d’anomalies en entreprise – Article pour Aubay Article de vulgarisation destiné à un public non technique, présentant les principes et les bénéfices de la détection d’anomalies en contexte professionnel (fraude, incidents, qualité des données, performance opérationnelle). L’objectif est de montrer comment l’analyse de données et l’IA peuvent devenir des outils d’aide à la décision concrets et accessibles pour les organisations.<a href="https://blog.aubay.com/nettoyer-ses-donnees-letape-invisible-qui-change-tout/" rel="noopener noreferrer nofollow" target="_blank">https://blog.aubay.com/nettoyer-ses-donnees-letape-invisible-qui-change-tout/</a></li></ul><ul><li>AdvXAI : vers des modèles explicables face aux attaques adversariales Article à orientation plus scientifique explorant les enjeux de l’Explainable AI appliquée aux contextes adversariaux. Il aborde les limites des méthodes d’explicabilité classiques face aux attaques, ainsi que les pistes de recherche visant à concilier robustesse, sécurité et interprétabilité des modèles.<a href="https://github.com/ClementAMT/Papers-and-redaction-projects/blob/main/XAI_in_Adversarial_Environments_CA.pdf" rel="noopener noreferrer nofollow" target="_blank">https://github.com/ClementAMT/Papers-and-redaction-projects/blob/main/XAI_in_Adversarial_Environments_CA.pdf</a></li></ul><ul><li>QRAM et calcul quantique : perspectives pour l’IA et le machine learning Article de recherche traitant du rôle des Quantum Random Access Memory (QRAM) dans le calcul quantique appliqué à l’IA. Il explore les apports théoriques, les défis technologiques et les implications potentielles pour les algorithmes de machine learning à grande échelle.<a href="https://github.com/ClementAMT/Papers-and-redaction-projects/blob/main/QRAM_CA.pdf" rel="noopener noreferrer nofollow" target="_blank">https://github.com/ClementAMT/Papers-and-redaction-projects/blob/main/QRAM_CA.pdf</a></li></ul>À travers ces publications, je cherche à créer un pont entre recherche, industrie et vulgarisation, en rendant accessibles des sujets complexes tout en conservant une exigence de précision et de profondeur.

Rédaction d’articles pédagogiques et techniques autour de la data, du machine learning et de l’intelligence artificielle, visant à vulgariser des concepts complexes, partager des retours d’expérience concrets et explorer des cas d’usage réels à travers l’analyse de données et les modèles prédictifs.

Travaux d'écriture

Participation à plusieurs compétitions de machine learning portant sur des cas d’usage concrets et variés, avec des enjeux de prédiction, d’aide à la décision et de performance des modèles.<ul><li>Prédiction de la température de fusion de molécules chimiques : Modélisation de relations structure–propriété à partir de données moléculaires complexes, avec pour enjeu l’amélioration de la précision prédictive de la température de fusion de molécules chimiques. Travail sur la représentation des molécules, le feature engineering et l’optimisation de modèles supervisés.</li><li>Prédiction du risque d’accident : Analyse de données hétérogènes (temporelles, géographiques et comportementales) afin d’anticiper les situations à risque. Enjeu majeur de robustesse du modèle, d’interprétabilité et de gestion du déséquilibre des classes.</li><li>Prédiction de buteur en NFL à l’aide de réseaux Bi-LSTM : Exploitation de données séquentielles et temporelles (actions de jeu, contexte de match) pour prédire la probabilité qu’un joueur marque un touchdown. Enjeux liés à la modélisation des séquences, à la capture des dépendances temporelles et à l’optimisation de modèles de deep learning.</li><li>Analyse et prédiction du churn client en télécommunications : étude approfondie des comportements clients (usage, facturation, ancienneté, services souscrits) afin d’identifier les facteurs clés de résiliation. Réalisation d’analyses exploratoires, de visualisations et de modèles prédictifs pour appuyer les décisions métiers et les stratégies de rétention.</li></ul>Ces expériences m’ont permis de couvrir l’ensemble du cycle de vie d’un projet data : exploration des données, préparation et mise en qualité, choix et entraînement des modèles, évaluation des performances et itération continue.Technologies et librairies utilisées : Python, pandas, NumPy, scikit-learn, TensorFlow, PyTorch, XGBoost, LightGBM, matplotlib, seaborn, Jupyter Notebook.Enjeux transverses : Qualité et fiabilité des données, performance et généralisation des modèles, interprétabilité des résultats, reproductibilité et optimisation des pipelines de machine learning.Liens des notebooks:<a href="https://colab.research.google.com/drive/186je1mS_ifyq6_G6WLzaktrJ7b4mAZX_?usp=sharing" rel="noopener noreferrer nofollow" target="_blank">Prédiction de resiliation des contrats: https://colab.research.google.com/drive/186je1mS_ifyq6_G6WLzaktrJ7b4mAZX_?usp=sharing</a><a href="https://www.kaggle.com/code/doncie/nfl-challenge-gru" rel="noopener noreferrer nofollow" target="_blank">NFL challenge:</a><a href="https://www.kaggle.com/code/doncie/nfl-challenge-gru" rel="noopener noreferrer nofollow" target="_blank">https://www.kaggle.com/code/doncie/nfl-challenge-gru</a><a href="https://colab.research.google.com/drive/1rR0W7rsxsX8H0nY_m47ZIzBcCpTL6-r5?usp=sharing" rel="noopener noreferrer nofollow" target="_blank">Prédiction de la température de fusion: </a><a href="https://colab.research.google.com/drive/1rR0W7rsxsX8H0nY_m47ZIzBcCpTL6-r5?usp=sharing" rel="noopener noreferrer nofollow" target="_blank">https://colab.research.google.com/drive/1rR0W7rsxsX8H0nY_m47ZIzBcCpTL6-r5?usp=sharing</a><a href="https://colab.research.google.com/drive/11VOVi2vbWKDdbnh7iooEEc9d3DkKUGLw?usp=sharing" rel="noopener noreferrer nofollow" target="_blank">Prédiction de risque d'accident: https://colab.research.google.com/drive/11VOVi2vbWKDdbnh7iooEEc9d3DkKUGLw?usp=sharing</a>

Résolution de problématiques de prédiction et de classification à partir de données réelles : analyse exploratoire, préparation des données, entraînement et optimisation de modèles, évaluation des performances et amélioration continue des résultats.

Clement Amate

Jeune diplômé à l’ESIEE Paris en tant qu’ingénieur IA

À propos

Expérience de travail

Stagiaire recherche IA

Formation

ESIEE PARIS

Karlsruhe Institute of Technology (KIT)

Portfolio

Projet de Computer Vision

Scolaire

Projet GenAI

Personal project

Travaux d'écriture

Aubay - Kit

Compétiton de machine learning

Personal project

Talents

Recruteurs

À propos