Nouhaila Ait Bella

Développement d’un système de détection d’anomalies sur des séries temporelles multivariées, appliqué à la supervision des infrastructures cloud d’Outscale (filiale de Dassault Systèmes). Amélioration et évaluation des modèles existants, identification de leurs limites et développement d’un nouveau modèle plus robuste, capable de détecter différents types d’anomalies dans des contextes de données hétérogènes et massives. Mise en place d’une stratégie de sélection automatique de variables, réduisant le volume de données de 70\,\% tout en accélérant l’entraînement et en améliorant la précision globale. Identification automatisée des métriques responsables des incidents, facilitant l’analyse des causes et la maintenance prédictive des services cloud.

Développement de solutions de segmentation d'images aériennes pour l'analyse des forêts à l'aide de techniques de deep learning. · Analyse approfondie des méthodes de segmentation d'objets dans des images aériennes (segmentation sémantique, détection d'objets). · Création et annotation d'un jeu de données comprenant plus de 400 images et préparation des données pour l'entraînement des modèles. · Mise en œuvre de modèles de deep learning tels que UNet, DeepLabV3+, YOLOv8 et Mask R-CNN, avec ajustement des hyperparamètres via fine-tuning. · Amélioration des performances des modèles avec des métriques de précision et de rappel supérieures à 85 %, tout en gérant des environnements forestiers complexes. · Benchmarking des performances des modèles testés (YOLOv8-Seg, Mask R-CNN) par rapport à des solutions spécialisées comme DeepForest, démontrant une performance supérieure dans certaines conditions (forêts denses, zones complexes).

Déploiement d’un modèle 3D de segmentation dentaire (MeshSegNet) pour automatiser l’identification des dents à partir de scans 3D. Mise en production via API REST sur AWS Cloud et création d’une interface 3D interactive. Optimisation des coûts cloud : réduction de 85$ mensuels fixes à 1,3$ pour 1000 requêtes.