Exploration socio-économique avancée
Données imparfaites → EDA → statistiques → hypothèses → recommandations.
Données imparfaites → EDA → statistiques → hypothèses → recommandations.
Méthodes statistiques, ML et deep learning comparés sur des transactions ou des capteurs.
Prédire les défaillances d'équipements à partir de données de capteurs.
Prévision de demande avec facteurs externes.
Consommation électrique à différents horizons.
Détection de défauts sur produits, infrastructures ou véhicules.
Documents → OCR → extraction → classification → structuration.
Données déséquilibrées, anomaly detection, graphes.
Vidéos urbaines : véhicules, piétons, congestion, incidents.
Segmentation urbaine sur images satellites, réseau routier reconstruit en graphe, analyse de criticité.
Reconnaissance d'activités et d'événements dans une vidéo.
Retrieval, embeddings, reranking, citations, évaluation.
Fine-tuning, LoRA, PEFT sur une tâche précise.
Qualité de l'air, pollution, météo.
Un phénomène qui évolue dans l'espace et dans le temps.
Retrieval → ranking → personnalisation.
Communautés, liens, influence ou fraude avec des GNN.
Un agent apprend à décider dans un environnement simulé.
Ingestion → entraînement → tracking → API → déploiement → monitoring → drift.
Streaming → features → prédiction → alerting.
Docker, CI/CD, MLflow, model registry, retraining.
Entraînement distribué et traitement massif.
Inférence locale sous contraintes CPU, mémoire, latence.
Premier chantier lancé : le risque d'inondation à Dakar. La suite : mobilité, environnement, énergie, déchets, vision urbaine, graphe routier, NLP citoyen et un agent capable de simuler « que se passe-t-il si cette route est fermée demain ? ». Horizon : digital twin.
GeospatialTime SeriesComputer VisionGraph MLNLPAgentsReal-TimeMLOps
Recherche → sources → raisonnement → outils → synthèse → vérification.
Texte, PDF, images, tableaux, audio : recherche unifiée.
Knowledge graph → retrieval → raisonnement → LLM.
Des agents aux objectifs différents qui coopèrent ou négocient.
Reproduire une méthode publiée, analyser les écarts.
Identifier une faiblesse, proposer une modification, expérimenter.
De la corrélation à l'effet d'une intervention.
Apprendre des représentations sans labels massifs.
Un modèle qui apprend au fil des données.
Question originale → littérature → hypothèse → expériences → rapport.
Aucune piste ne correspond à ces filtres.