Pura Poesia

Startup Notion

Lasercats

Gemeos

L'escadrille

White Room

Lemon

Neiso

Moostack

Mimet full-stack 📍 Aix Marseille

Datamour

Syndikat

Software Engineering Crew

Faaastr

Hackizition

Super 201

WildBelle

Flow.

BeCLM

Stack utilisé :llm : chatgptembedding : openaiapi : fastapibase de données vectorielle : Pineconellm framework : langchainstockage de conversations : Mongdob

Livraison d'une API de recherche documentaire et de "small talk" fondée sur un LLM, avec différents endpoints: recherche dans un document uploadé, nettoyage de fichiers, conversation

Deep Learning

Python

Machine learning

ChatBot fondé sur GPT4 pour intérroger des manuels d'utilisation d'électroménager

Guideline

Création d'une interface de test streamlit pour l'utilisateurCréation d'une API permettant d'intégrer le chatbot à n'importe quel service webStack utilisé :llm : chatgptembedding : openaiapi : fastapibase de données vectorielle : Qdrantllm framework : langchainstockage de conversations : Mongdob

L'objectif est de permettre à des médecins généralistes de trouver des informations médicales facilement grâce à un chatbot qui fournit une réponse sourcée

Data science

Création d'un chatbot chatgpt pour intérroger des données médicales

Corsica Ferries

Livraison d'un chatbot fondé sur GPT d'openai pour perfectionner la FAQ du site

chatbot utilisateur FAQ

MIDJOURNEY DEEP DIVE

Images réalisées avec Midjourney pour une formation à Midjourney

Images générées sur mesure pour une formation avec MidJourney

Génération d'images d'IA avec prompts sur mesure 

omnegy

L'ensemble de la pipeline est réalisé par 3 blocks<ul><li>récupération de données avec selenium</li><li>traitement, nettoyage, contrôle des données</li><li>calcul de ratio et stockage de base de données</li></ul>Ces 3 blocks ont été déployé sur AWS Lambda, via gitlab ci cd et serverless framework.

L'objectif de cette mission était de scraper des factures de comptes clients, d'y extraire des informations, de les traiter et de les stocker dans une base de données qui seront utilisés dans le CRM Salesforce

Scrapping

Création d'une pipeline d'extraction et de traitement de données à partir de pdf 

Pont9

<ul><li>création d'un script de scraping</li><li>stockage des données dans une base de données MongoDB</li><li>création de l'application permettant de faire des recherches sur la base de données avec streamlit</li></ul>

L'objectif de l'application est de pouvoir faire une recherche précise de comptables en fonction de différents paramètres. La base de données est mis à jour régulièrement grâce à un outil de scraping

MongoDB

Application de recherche de comptables

JAM association

<ul><li>création d'un bot télégram</li><li>connexion avec une base de données de type postgres hébergé sur heroku</li><li>ci/cd sur gitlab</li></ul>

Afin de coordonnées des équipes de campagnes, un bot a été développé afin de permettre aux coordinateurs de pouvoir mesurer en temps réel l'engagement et l'impact de compagnes.

SQL Databases

Création d'un bot telegram 

Dylan C.y

<ul><li>Création d'une API avec FastAPI et de différents endpoints permettant de récupérer et de modifier une base de données Postgres.</li><li>Utilisation de SQLalchemy comme ORM pour communiquer avec la base de données.</li></ul>

Création d'un API pour requête un base de données 

Arcadès

<ul><li>Réalisation d'un script python de scraping en utilisant Selenium.</li><li>Hébergement sur un VPS qui lance le scraping tous les jours avec un CRON.</li></ul>

script de scraping boutique e-commerce

Beke Automobile

Récupération des données via scraping, stockée sur une base de données Mongo, hébergé sur OVH

Scraping du site http://www.bekeautocenter.fr/ pour récupérer les informations des véhicules. 

Scraping site internet automobile

Mobsuccess

Objectif : Réalisation de dashbords permettant aux responsables financiers de Gifi d'évaluer les performances économiques des différents magasins.Technologie : QuickSight (AWS)

Data vizualization

Dashboard Visualisation chiffre d'affaire

Spacefill

Développement PythonAmélioration du code existantRésolution d'issues sur le repo GitHub dédiéIntégrations API/EDIPython, Docker, Git, GitHub

Intégration API/EDI (FR)

Omnegy

Création d'une pipeline ETL en serverless sur AWS<ol><li>téléchargement des factures sur un bucket S3 avec Selenium dockérisé dans une lambda</li><li>extraction de texte dans une lambda avec un triger d'un dépot s3</li><li>monitoring des différentes étapes avec GraphanaLe Serverless Framework a été utilisé</li></ol>

ETL : Analyse de facture

drag'n survey

Analyse de sentiment dans une dizaine de langue- Fine-tuning de modèle de NLP pré-entrainé (HuggingFace, Tensorflow)- Création d'une api avec FastAPI connectée à un mongoDB, dockerisé.- Création d'une pipeline de transformation non supervisée de texte

NLP : Analyse de sentiment

Entraînement d'un modèle de deep learning sur de l'écriture manuscrite française générée (Tensorflow/Pytorch)- génération de dataset d'écriture manuscrite française à format similaire à IAM- entraînement du modèle Easter2- dockerisation et déploiement d'une api permettant d'utiliser le modèle entraîné sur AWS

OCR : écriture manuscrite

Nous extrayons, traitons, analysons vos données afin de vous permettre de prendre les meilleurs décisions et proposer les meilleurs services pour vos clients.

Data Science Python

Développeur Full Stack

Développeur python Data AI

Scraping (beautifulsoup, selenium, scrapy, splash) et appel API : google sheet, pipedrive, pubmed

Récupération de données

Lecture de fichiers de différents formats (json, csv, excel), nettoyage et traitement de données avec pandas et numpy, stockage de données dans des bases de données : SQL et noSQL

Traitement de données

Librairies de visualisation de python (matplotlib, seaborn, plotly) et génération de dashboard avec PowerBI (microsoft) et QuickSight (AWS)

Visualisation de données

Utilisation de sklearn et de statsmodels pour analyser les données et entraînement de modèle de deep-learning pré entraîné avec Tensorflow et Pytorch

Analyse, prediction et classification de données

Création d'application conteneurisé (docker), création d'API avec FastAPI, création d'application avec Streamlit et Flask, déployement sur AWS et OVH

Création d'application conteneurisé (docker)

Nous avons utilisé plusieurs LLM (large language model), notamment les GPT via l'API openAI:

- création de chatbots
- création d'app web intégrant GPT pour répondre à des problématiques spécifiques 

758 matching collectives