Taleb M.

Interlocuteurs : Client (Data Scientist) et Métier (Expert en transport ferroviaire)

Equipe Projet: 1 ML engineer/développeur python , 2 Data Scientist , 2 Développeur web

Ce projet a pour but de développer une application qui permet d'analyser les anomalies sur les trains en temps réel, en utilisant des modèles de détection d'objets et des algorithmes de traitement d'images avancés.

L'application permet d'identifier rapidement les anomalies dans les trains et de prendre des mesures immédiates pour corriger les problèmes, ce qui peut contribuer à améliorer la sécurité et la fiabilité du transport ferroviaire.

En utilisant la communication socket (SocketIO) pour assurer une transmission rapide et efficace des données, le projet permet une analyse en temps réel des images capturées par les caméras de surveillance dans les trains.

L'application est spécialement conçue pour être utilisée dans un environnement JETSON NANO/NVIDIA, qui est un dispositif informatique compact et puissant doté d'une capacité de traitement graphique élevée.

En fin de compte, le projet offre une solution efficace pour la surveillance des trains en temps réel, en utilisant des technologies de pointe pour améliorer la précision et la rapidité de la détection des anomalies, ce qui peut contribuer à réduire les risques pour les passagers et le personnel de transport.

Projets :

Interlocuteurs : Client (Développeur) et Métier (Expert en vente immobilière et gestion documentaire)

Equipe Projet : 1 Data Scientist / 1 Tech Lead / 1 Développeur JAVA

Le projet RENER (Reconnaissance d'Entités Nommées dans l'Immobilier) a été développé en utilisant une combinaison de techniques de traitement du langage naturel (NLP) et d'expressions régulières (regex). Cette approche permet une extraction précise et efficace des entités nommées à partir de documents de vente immobilière, en identifiant les motifs et les schémas dans les textes.

Le projet RENER a été développé pour répondre aux besoins de l'entreprise QDN, qui est active dans le secteur immobilier. Il leur permet de traiter rapidement de grands volumes de données immobilières et d'extraire des informations clés à partir de documents de vente immobilière tels que les contrats, les titres de propriété et les relevés bancaires.

En utilisant le projet RENER, QDN peut améliorer l'efficacité de ses processus et réduire les erreurs humaines en fournissant des informations précises et pertinentes sur les propriétés immobilières. Les entités nommées extraites par le projet RENER peuvent inclure des noms de personnes, des adresses, des numéros de téléphone, des noms de rues, etc., ce qui leur permet de mieux comprendre les données immobilières et de prendre des décisions éclairées.

Le projet RENER est conçu pour être facile à utiliser et à intégrer dans les systèmes existants de QDN. Il est également évolutif et peut être adapté aux besoins spécifiques de l'entreprise. En somme, le projet offre une solution efficace pour l'analyse des entités nommées dans les documents de vente immobilière, contribuant ainsi à améliorer la qualité du service et la satisfaction des clients de QDN.

Interlocuteurs : Chef de projet et Métier (domaine immobilier et notarial)

Equipe Projet : 1 Data Scientist / 1 Tech Lead / 1 Développeur Back-end / 1 Développeur Front-end

Un état hypothécaire est un document qui décrit l'état d'une hypothèque sur une propriété. Il peut inclure des informations telles que le montant de la dette hypothécaire, le taux d'intérêt, les dates d'échéance, les conditions de remboursement, etc. Les états hypothécaires sont des documents importants pour les propriétaires de biens immobiliers et les institutions financières qui les émettent.

L'analyse des états hypothécaires à l'aide de l'IA peut permettre d'extraire rapidement et efficacement des informations clés à partir de documents volumineux. Les méthodes d'IA utilisées peuvent inclure le traitement de langage naturel (NLP), qui permet d'analyser le texte des documents pour en extraire des informations, l'apprentissage automatique (machine learning), qui permet de créer des modèles d'analyse à partir de données d'entraînement, et la vision par ordinateur, qui permet de reconnaître et d'analyser les images des documents.

En utilisant ces méthodes d'IA, il est possible d'extraire des informations clés sur l'état des hypothèques, telles que les taux d'intérêt, les dates d'échéance et les montants de paiement, avec une grande précision et efficacité. Cela peut permettre aux entreprises et aux institutions financières de prendre des décisions éclairées, d'identifier les risques potentiels et de gérer plus efficacement leur portefeuille hypothécaire.

En somme, l'analyse des états hypothécaires à l'aide de l'IA offre une solution efficace pour traiter rapidement de grandes quantités de données hypothécaires et d'extraire des informations clés à partir de documents volumineux. Cette solution peut contribuer à améliorer l'efficacité des processus et à réduire les erreurs humaines, ce qui peut avoir un impact positif sur les résultats financiers des entreprises et des institutions financières.

3) Divers projets

Interlocuteurs : Métier (domaine immobilier, notarial, Finance)

Equipe Projet : 1 Data Scientist / 1 Tech Lead / 1 Développeur Back-end / 1 Développeur Front-end