Maxime REDER

Analyse et indexation vidéo à l'échelle : - Collaboration avec le département Production, Technique et Opérations (PTO) – Direction Antennes & Programmes du Groupe Canal+ – pour industrialiser la solution d’indexation vidéo développée pour StudioCanal. - Conception d’une architecture d’indexation lean et hautement scalable, maximisant la valeur extraite des contenus tout en respectant les contraintes d’échelle et de coût propres au catalogue mondial Canal+. Développement de deux interfaces UI de recherche multimodale : - une interface agentique, exploitant les SDK Claude Agent et OpenAI pour permettre des dialogues naturels et des requêtes complexes sur le contenu audiovisuel ; - une interface catalogue, orientée gestion et exploration à grande échelle, offrant une recherche rapide et sémantique sur les œuvres indexées. - Création de tools d’agent pour automatiser la recherche, la compréhension et la génération de résumés et trailers autonomes à partir des contenus StudioCanal. L’agent vidéo navigue dynamiquement entre trois index : - chapitres : segmentation narrative moyenne, - scènes : granularité contextuelle et émotionnelle, - plans vidéo : reconnaissance d’entités, d’actions et de marques. - Participation clé à la R&D sur la compréhension multimodale, combinant extraction d’objets, détection de logos, transcription automatique et alignement texte-image pour une indexation fine des œuvres. - Collaboration continue avec les équipes MyCanal pour le transfert des modèles de recherche et de chapitrage vers les flux de production et la recommandation de contenus. - Exploitation des modèles Gemini et des LLMs de nouvelle génération pour classifier, résumer et contextualiser les contenus à haut niveau sémantique. Analyse du pluralisme sur CNEWS : - Création d'un algorithme permettant l’analyse du pluralisme sur CNEWS, via le chapitrage et détections d’opinions dans les séquences audiovisuelles. - Génération de rapport détaillés pour les équipes éditoriales

- Développement d’un pipeline évolutif utilisant un VLM pour la fonctionnalité « Et ta Scène ? », réduisant les coûts de 90% - Conception du système « Et ta Pub ? » pour l’extraction automatisée de chapitres et l’optimisation du placement publicitaire à l’aide de LLM - Création de « Et ta Marque ? » pour la reconnaissance de marques dans les films/séries grâce à la technologie LLM - Conception de « Et ton Thème ? » pour le chapitrage intelligent des contenus avec analyse du sujet, du contexte et du point de vue - Mise en place de métriques pour évaluer la diversité et la pluralité des contenus - Automatisation des workflows via AWS Step Functions et Lambda - Développement de workers génériques pour l’analyse approfondie et la compréhension de contenus à l’échelle mondiale

Conception d’une solution de recherche de scènes pour StudioCanal : - Extraction des métadonnées visuelles précieuses à l’aide d’une pipeline de vision par ordinateur. - Transcription des dialogues. - Identification des différents chapitres d'un film ou d'un épisode de série. - Vectorisation des chapitres via AWS Titan. - Ingestion des chapitres dans AWS OpenSearch. - Recherche intelligente par le biais d'une recherche multi-KNN pour trouver le chapitre le plus pertinent en réponse à une requête. Extraction de la meilleure frame d’un contenu pour créer une vignette personnalisée pour MyCanal : - Suivi des personnes dans la vidéo pour identifier la frame où la vitesse d’une personne est proche de zéro. - Reconnaissance des différentes personnes pour sélectionner la frame avec la personne d'intérêt. - Calcul d’un score d’esthétisme basé sur les métadonnées de l’image préalablement déterminées.

Reconnaissance de nombre manuscrits sur des canalisations (pipelines) : - Conception et mise en œuvre de solutions pour optimiser et améliorer l'efficacité de reconnaissance de numéro de tube. - Utilisation de Fast API pour garantir une interaction rapide et sécurisée entre le client et le serveur, améliorant ainsi la performance globale du système. - Exploitation de l'architecture YOLO pour la détection de régions d'intérêts dans les images, offrant une identification précise et rapide de régions d'intérêts. - Implémentation de techniques d'OCR (reconnaissance optique de caractères) pour reconnaître le texte écrit sur le tube. R&D sur la Reconstruction de Géométrie de Chanfrein - Conception d'un algorithme de suppression d'arrière-plan basé sur le modèle de segmentation Rembg, un modèle U-Net entraîné sur le jeu de données Adobe Deep Photo. - Développement de fonctions pour obtenir les coordonnées latérales, nettoyer les pièces, obtenir les coins des pièces et calculer les degrés des angles en utilisant la bibliothèque OpenCV. - Mise en œuvre d'un algorithme pour dessiner une polyligne, des cercles et des angles sur l'image d'origine et créer une image blanche avec les mêmes dimensions que l'image d'entrée. Prédiction stockage de gaz : - Utilisation de séries temporelles et de modèles Transformers pour une prédiction précise et opportune du stockage de gaz. Consommation de gaz en fonction de la température et du profil de consommation : - Intégration et analyse croisée des données de température et de consommation de gaz pour élaborer des modèles prédictifs fiables et précis. - Mise en œuvre de divers modèles de régression, y compris SVR, KNN, Arbres de décisions, et SGDR, pour prédire la consommation de gaz. Ces modèles aident à comprendre les tendances et les schémas de consommation, ce qui facilite une gestion efficace et économique de la consommation de gaz.

Apprentissage supervisé avec Scikit learn et Python