Baptiste Bédouret

Ce stage visait à améliorer les prévisions de marée calculées par le Shom pour l'estuaire de la Gironde au cours des deux prochaines années. Des prévisions précises sont essentielles pour permettre aux gestionnaires de ports de planifier leurs activités à l'avance. Ces prévisions sont généralement calculées en utilisant un modèle harmonique, qui calcule les heures et les hauteurs dans les principaux ports longtemps à l'avance. Toutefois, en raison de l'influence du débit du fleuve et des rives de l'estuaire, ces prévisions ont tendance a être moins précises dans l'estuaire. L'objectif était donc de minimiser l'erreur de prévision de la hauteur calculée par le Shom, idéalement à 15 cm près. Diverses variables environnementales affectant la marée ont été analysées, le débit du fleuve et la pression atmosphérique ayant été identifiés comme ayant l'impact le plus important. Les deux séries temporelles sont stationnaires et contiennent une saisonnalité, ce qui permet de construire des modèles robustes pour des prévisions fiables. Une prévision sur deux ans a été effectuée sur la station 8, révélant que les prévisions de débit fluvial étaient plus précises que celles de pour la pression atmosphérique.

Dans la phase initiale, un scénario optimal a été exploré, en testant différentes combinaisons de variables environnementales pour prédire et réduire l'erreur de prédiction des marées. Plusieurs modèles, dont la régression linéaire, la régression polynomiale, la forêt aléatoire et les MLP, ont été utilisés. Les données observées sur le débit de la rivière ont été utilisées pour prédire l'erreur.

Dans un scénario réel, les données de débit prédites de la station 8 ont été utilisées. Les meilleurs résultats ont été obtenus avec un modèle Random Forest.

Dans le cadre d’un projet mené à l’ENSAI en partenariat avec le groupe Renault, notre objectif était d’améliorer la qualité des services proposés par Renault grâce à l’IA générative. Nous avons travaillé sur l’analyse des avis clients Google, afin de détecter automatiquement deux éléments: la catégorie de service Renault à laquelle se réfère chaque commentaire, et la polarité du sentiment exprimé (positif, négatif ou neutre).

Pour cela, nous avons mis en œuvre une approche d’analyse des sentiments basée sur les aspects (Aspect-Based Sentiment Analysis, ABSA), qui permet d’identifier les sentiments associés à des éléments spécifiques d’un service ou d’un produit, plutôt que de classifier un texte dans son ensemble.

Nous avons utilisé un LLM pré-entraîné, Mistral, composé de plus de 7 milliards de paramètres. Ce modèle a été affiné (fine-tuned) à l’aide d’un jeu de données au format JSON comprenant plus de 3000 avis clients. Un travail de prétraitement a été effectué pour nettoyer les données, notamment en supprimant les clés peu pertinentes et en filtrant les commentaires pour ne conserver que ceux rédigés en anglais.

Les résultats ont montré que le modèle était performant pour la détection des sentiments liés à chaque avis. En revanche, la classification des avis selon les catégories de services s’est révélée plus complexe. En effet, le modèle avait des difficultés à distinguer les catégories précises parmi les 72 proposées, ce qui a limité la précision de cette tâche.

Un autre défi rencontré au cours du projet concernait les limitations matérielles. Le GPU utilisé disposait de peu de mémoire, ce qui rendait les opérations de fine-tuning coûteuses en ressources. Nous avons eu recours à un GPU plus performant, disponible via un service payant. Par ailleurs, nous avons mis en œuvre la méthode LoRA (Low-Rank Adaptation), qui consiste à décomposer les grandes matrices de poids du modèle en deux matrices de faible rang et qui permet de réduire la charge mémoire.

J'ai crée une application en utilisant des librairies python telles que Mediapipe et OpenCV qui permet de reconnaitre plusieurs mouvements spécifiques et de lancer une musique en fonction du geste choisi à l'aide de la caméra.

Cette application détecte le geste dab et le signe Jul à partir d'une caméra en temps réel. Une musique spécifique pour chaque mouvement se lance ensuite.

Cette application contient aussi un autre module qui permet de contrôler le volume de votre machine à l'aide de votre pouce et de votre index.