Nacim Bachiri

Missions

• Développement d'une solution basée sur un capteur à temps de vol (ToF) pour des applications de réseaux neuronaux profonds (DNN).

• Optimisation de modèles de deep learning pour déploiement sur microcontrôleurs STM32.

• Évaluation et amélioration de la précision des modèles après optimisation.

• Investigation de nouvelles techniques d'optimisation pour réduire davantage la consommation d'énergie sans compromettre la performance. Réalisations clés :

• Réduction de la taille et de la consommation d'énergie des modèles grâce à la quantification et l'utilisation de l'extension CubeAI.

• Amélioration de la précision des modèles optimisés grâce à des méthodes de Fine- Tuning avancées.

• Visualisation des sorties et prédictions sur une dashboard connectée au MCU par WI-FI

• Conception d'une pipeline MLOps hybride Edge-Cloud (AWS) pour le déploiement de modèles de Deep Learning (CNN, Transformers) avec optimisation des transferts de données et gestion des coûts cloud.

• Quantification et pruning de modèles pour cibles embarquées avec gestion des contraintes mémoire (<2MB RAM) et optimisation de l'inférence.

• Accélération d'inférence via CMSIS-NN (réduction de latence à 15ms).

• Mise en place d'une automatisation CI/CD et Versionning des modèles avec MLflow. Réalisations clés :

• Conception et adaptation des models ST ModelZoo sur l'application "Hand posture recognition" et l'application de la neural architecture search (NAS).

• Dashboard temps-réel avec Grafana et Prometheus.

• Automatisation des Intégrations et déploiements via AWS CloudFormation et Terraform

• Latence moyenne réduite à 15ms sur cible FreeRTOS avec acceleration CMSIS.