Jonas Zaoui

Conception et déploiement de pipelines de Computer Vision pour l’analyse automatisée de données industrielles et la détection de situations critiques. Intervention sur l’ensemble du cycle de vie du projet : audit des systèmes existants, refonte d’architecture, optimisation des performances et mise en production de modèles IA.

Conception et déploiement d’une architecture d’orchestration multi-agents basée sur des LLM pour l’analyse automatisée de formules de produits cosmétiques. Développement d’un système intelligent capable d’interpréter les compositions INCI, d’identifier les ingrédients, et d’évaluer leur compatibilité. Mise en place d’une architecture de microservices avec FastAPI pour l’exposition des APIs, conteneurisation avec Docker et déploiement scalable des services.

* Développement d’un moteur de recommandation hybride intégrant des approches probabilistes, statistiques et agentiques, pour la recommandation de promotions pharmaceutiques. Le système repose sur une architecture multi-agents orchestrant la collecte de signaux utilisateurs (comportement, interactions, popularité produit) et la génération de recommandations contextuelles. * Développement d’un moteur d’OCR haute précision augmenté par LLM et agents spécialisés, dédié à l’extraction robuste de texte depuis documents complexes et images dégradées. Conception d’une chaîne complète de pré-traitements image pour maximiser la qualité d’entrée -> Utilisation de modèles OCR combinés à des LLM pour la correction, la restructuration et la compréhension du contenu extrait -> Implémentation d'un système de prompt adaptatif -> Post-traitements avancés incluant validation probabiliste -> Mise en place d’un système d’évaluation automatisée -> Performances +30% que l'état de l'art sur le même dataset

- Développement de modèles multimodaux 3D pour le diagnostic automatisé d’une pathologie rare et confidentielle à partir d’échographies cardiaques. - Optimisations robustes et améliorations des métriques suite aux implémentations réalisées. Validation clinique des performances en collaboration étroite avec des médecins spécialistes et des statisticiens, incluant l’analyse de robustesse et de reproductibilité. - Optimisation et sécurisation des modèles en vue d’un audit technique, avec formalisation des choix méthodologiques, traçabilité des données et conformité aux exigences réglementaires

Développement et mise en production d’une pipeline complète de deep learning pour le diagnostic automatisé à partir d’images dentaires, intégrant plusieurs tâches simultanées : classification des pathologies, segmentation anatomique précise, détection de lésions et analyse de similarité. La pipeline inclut des prétraitements avancés, des architectures hybrides CNN adaptées à chaque tâche, ainsi que des post-traitements permettant de générer des mesures cliniques exploitables et des rapports visuels automatisés. Le système est optimisé pour la robustesse et la scalabilité en production, avec profiling mémoire et calcul, intégration dans des workflows existants, et capacité à gérer variabilité inter-patients et différentes modalités d’images dentaires. Des stratégies d’annotations et de validation clinique ont été mises en place pour maximiser la fiabilité et la reproductibilité des résultats, en vue d’une utilisation opérationnelle et d’audits techniques futurs.

- Création de modèles multi-classes pour la détection de pathologies orthodontiques à partir de photos 2D, incluant la localisation de repères anatomiques et le calcul d’angles et mesures cliniques. - Développement de stratégies d’annotations efficaces pour maximiser la qualité des datasets, avec support pour tout type de modalité d’images. - Mise en place de pipelines de prétraitement, augmentation et post-traitement pour l’analyse automatisée, optimisation pour temps réel, et intégration dans des workflows cliniques fiables et reproductibles. - AutoML mit en place via bucket S3 - Déploiement et implémentation complète du back-end

Surveillance continue d’interfaces utilisateurs via web scraping et deep learning. Détection d’anomalies visuelles en temps réel.

Développement et déploiement d’outils de diagnostic dentaire et orthodontique basés sur l’IA pour trois entreprises: • Conception et implémentation d’un moteur de deep learning pour l’analyse d’images médicales, couvrant la classification, la détection et la segmentation. L’architecture a été optimisée pour l’efficacité d'inférence, l’interprétabilité du modèle et le traitement en temps réel. • Déploiement et scalabilité des modèles d’IA via des API, permettant une intégration fluide dans les logiciels dentaires et orthodontiques existants. • Développement et optimisation de plateformes d’annotation de données, facilitant la création de datasets de haute qualité et l’amélioration itérative des modèles, et accélérant les cycles de réentraînement. • Conseil et accompagnement des clients dans l’adoption de stratégies d’IA. • Implémentation d’un pipeline automatique sur un bucket S3 pour l’apprentissage automatique. Développement d'une plateforme d'automatisation des tâches sur les documents juridiques : - Développement d'un outil combinant Deep Learning et OCR (GoogleOCR, Tesseract), pour détecter et vérifier les signatures, vérifier la complétude des formulaires, et valider les données utilisateurs par rapport à une base de données pour le traitement automatisé des documents. Formateur en IA : - Compétent pour concevoir et dispenser des programmes de formation sur l'apprentissage automatique, l'apprentissage profond et la vision artificielle. - Accompagnement des stagiaires de la société.

Mise en œuvre d'un modèle de segmentation 3D pour les microsaignements cérébraux sur des IRM multicentriques à l'aide de l'apprentissage profond. - Développement d'un modèle de segmentation 3D, exploration de techniques de prétraitement et exploitation de clusters de calcul. - Recherche et utilisation de techniques de prétraitement robustes