Saindou Moudathirou Ben

Contexte : Développement de solutions d'IA générative et de Vision par ordinateur pour le secteur de l'immobilier et de la relation client. Intelligence Artificielle Générative (RAG) : Conception et déploiement de chatbots intelligents utilisant l'architecture RAG (Retrieval-Augmented Generation) avec LangChain et LlamaIndex, permettant une réduction de 40% du temps de réponse du support client. Conception d’une solution de virtual homestaging par IA générative, exploitant des modèles de vision avancés (NanoBanana, GPT-Image-1) pour re-designer automatiquement des intérieurs et produire des visuels photo-réalistes destinés au marketing immobilier. Automatisation Vidéo : Création d'un pipeline automatisé de génération de vidéos promotionnelles à partir de descriptions textuelles et d'images, intégrant des technologies TTS (ElevenLabs) et des outils de montage programmatique. Web Scraping & Intelligence de Données : Mise en place de crawlers intelligents capables d'extraire et de structurer des données complexes à partir de sites web tiers pour alimenter dynamiquement la base de connaissances des agents IA. Stack Technique : Python (FastAPI), GPT-4, Claude, Pinecone (Vector DB), OpenCV, Docker, GCP.

Expertise en Computer Vision appliquée à des systèmes temps réel, de la donnée brute jusqu’au déploiement en environnement contraint. Détection d’objets (YOLO) : entraînement, évaluation et déploiement de modèles de détection en temps réel à l’aide de la stack Ultralytics, pour des cas d’usage de surveillance et d’analyse de flux. Traitement d’images avancé : conception de pipelines de traitement avec OpenCV (filtrage, segmentation, extraction de caractéristiques, amélioration d’images) pour améliorer la robustesse des modèles. Data & Pipeline IA : annotation et gestion des datasets avec Roboflow, data augmentation, optimisation des performances et validation des modèles avant mise en production. Edge Computing & Optimisation : déploiement de modèles sur des environnements à ressources limitées via des techniques de quantization, pruning et compression de réseaux, garantissant faible latence et efficacité énergétique. Industrialisation des modèles : optimisation des pipelines d’inférence pour des applications temps réel, avec un focus sur la stabilité, la performance et la scalabilité.