Portfolio

Comment l’IA et les solutions guidées par les données peuvent améliorer votre activité

Des problèmes réels, résolus avec les données et l’IA. Voyez comment exploiter vos propres données, et l’IA là où elle est rentable, fait mieux tourner une entreprise.

Waze Cargo

Machine learning

Une prévision de la congestion portuaire par machine learning pour les importateurs et exportateurs chiliens. Entraînée sur environ vingt millions d’enregistrements douaniers, elle prédit la charge mensuelle de chaque port un an à l’avance à partir de son propre historique, ajoute le risque de fermeture du port à cause de la houle, et indique à un chargeur quel port utiliser pour chaque marchandise.

enregistrements douaniers d’importation et d’exportation. Chacun porte un code SH, la prévision se décline donc par marchandise.
20M
ports, en importation et en exportation, prévus mois par mois sur les 12 prochains mois.
23
de précision en 2026 jusqu’ici. Nous avons comparé la prévision aux expéditions réelles de janvier à mai.
91.5%
de précision à San Antonio, qui traite 57 % des importations maritimes du Chili. Plus le port est actif, meilleure est la prévision.
96.6%
Technologies utilisées
  • Python
  • SQL
  • pandas
  • NumPy
  • scikit-learn
  • LightGBM
  • PostgreSQL
  • AWS
  • GitHub Actions
  • React
  • Leaflet
  • Recharts
  • Tableau
La carte des risques de retard

Vue importations, couche combinée · 23 ports classés

Waze Cargo : la vue nationale. Une carte du Chili avec les ports positionnés et colorés selon le risque de retard, à côté d’un panneau classant 23 ports selon la congestion ajustée à la météo, San Antonio en tête à 78 pour cent et Coquimbo en dernier.

Chaque port à sa position réelle, coloré selon sa congestion prévue. San Antonio traite 57 % des importations maritimes du pays et c’est le plus chargé, c’est pourquoi la réponse est si souvent un autre port.

L’année à venir d’un port

Valparaíso, importations · prévision de congestion, 2026

Waze Cargo : Valparaíso sélectionné. Une prévision mensuelle de congestion pour 2026 comparée à la plage historique du port, au plus calme en avril à 21 pour cent et au plus chargé en juillet à 55 pour cent, avec en dessous les marchandises qui génèrent son trafic.

Prévision de charge mois par mois face à l’historique du port, pour qu’un planificateur voie les mois calmes et le pic avant de réserver.

La météo, mois par mois

San Antonio · véhicules et pièces · couche météo

Waze Cargo : un seul port. San Antonio sélectionné, son risque météo détaillé mois par mois avec les heures de fermeture et la houle en cause, et en dessous la prévision de congestion sur douze mois pour les véhicules et pièces face au volume d’expéditions.

Les heures de fermeture du port dues à la houle, chaque mois d’une année type, superposées à la prévision pour une marchandise : c’est la vraie question d’un importateur.

Les exportations, et une meilleure option

Arica · graines oléagineuses · vue combinée

Waze Cargo : la vue exportations. Arica sélectionné pour les graines oléagineuses, avec son risque météo saisonnier et une prévision mensuelle des expéditions et de la congestion, et une note indiquant que San Antonio arrive premier pour cette marchandise à 48 pour cent de congestion.

Pour les exportateurs aussi : il note chaque port pour la marchandise choisie et indique quand un autre est la meilleure route.

Voir le produit

Alma Secret

IA · intégration d’API · CRM

Alma Secret, une marque espagnole de dermocosmétique, a lancé cette campagne sur almasecret.cl et voulait qu’elle fasse plus qu’attirer des visiteurs sur le site. Désormais, une cliente prend un selfie avec son téléphone et obtient une lecture de sa peau par IA ainsi qu’une routine personnelle de trois produits issus du catalogue de la marque, avec des règles de sécurité intégrées pour la grossesse et les peaux sensibles. Chaque résultat est envoyé au CRM de la marque : le suivi est personnalisé et chaque vente peut être rattachée à l’analyse qui l’a déclenchée. L’équipe de la marque l’utilise au quotidien, sans toucher au code.

états de la peau lus à partir d’un seul selfie.
13
produits dans sa routine personnelle.
3
données enregistrées dans le CRM pour chaque analyse, prêtes pour le suivi.
58
Technologies utilisées
  • JavaScript
  • Node.js
  • Cloudflare
  • API REST
  • Make.com
  • GoHighLevel
L’expérience, du début à la fin

Selfie, carte du visage, scores et routine, tels que la cliente les voit · 40 secondes

Le visage est généré par IA, ce n’est pas celui d’une cliente. Les sous-titres sont en espagnol, la langue des clientes de la marque.

Lire l’étude de cas

people_counter

Vision par ordinateur

Comptage d’occupation en direct pour les bars et établissements de Barcelone, où dépasser la capacité autorisée vaut une amende. Une caméra et un Raspberry Pi comptent les personnes présentes chaque seconde grâce à un modèle de vision par ordinateur, affichent le nombre et le pic de la soirée sur un écran visible par le personnel, et peuvent alimenter un panneau, un journal ou une alerte. La vidéo est traitée sur l’appareil et n’est jamais stockée ni envoyée nulle part : aucune image des clients ne quitte l’établissement.

image vidéo stockée ou envoyée hors des locaux.
0
seconde entre deux comptages, pour que le chiffre affiché reste en direct.
1
caméra convient : une webcam, une caméra IP ou une vidéo enregistrée.
Toute
Technologies utilisées
  • Python
  • YOLOv8
  • OpenCV
  • Raspberry Pi
Ce que voit la caméra

Une terrasse de bar, chaque personne encadrée et comptée · scène simulée

people_counter sur une terrasse de bar simulée à Barcelone, de nuit : vingt-huit personnes, chacune dans un cadre vert numéroté, avec un total de 28 dans le coin.

Une scène simulée, pas l’établissement d’un client : les détections et le total montrent comment le compteur annote ce qu’il voit.

Ce que voit le personnel

L’écran 16×2 piloté par le compteur, sur le bar

PEOPLE: 47 PEAK: 52 Source: rtsp://cam-01 Uptime: 04:12:38 FPS: 11.4

Reproduit à partir de l’écran généré par la version Pi. Il peut aussi piloter un vrai écran LCD sur le bar, ou transmettre le comptage à un panneau ou à un journal.

Lire l’étude de cas

Melus Grez Propiedades

Web · Panneau d’administration

Une agente immobilière de Santiago et Pichilemu dont les annonces vivaient sur des portails qui diluaient sa marque et lui facturaient chaque contact. Aujourd’hui, son propre site : uniquement ses biens, chaque demande arrivant sur WhatsApp avec la référence de l’annonce déjà dans le message, et un panneau qu’elle gère depuis son téléphone.

Technologies utilisées
  • JavaScript
  • React
  • Cloudflare
  • SQL
  • Leaflet
  • API REST
Le premier écran

Marque, bien en vedette et recherche, sans faire défiler

Melus Grez Propiedades : la page d’accueil livrée. Une couverture architecturale sombre portant le logotype et la navigation, le titre Propiedades que se eligen con calma, une fiche de bien en vedette LBA-007 à 27 800 UF avec quatre chambres sur un terrain de 620 mètres carrés, et une barre de recherche proposant achat ou location, zone, type et chambres.

Les prix sont affichés en UF avec l’équivalent en pesos actualisé chaque jour, et la carte montre une localisation approximative pour que l’adresse d’un propriétaire ne soit jamais publiée.

Service de données de vol

Travail universitaire · Infrastructure de données

Construit séance après séance pendant un trimestre dans le module d’infrastructure du MSc, sur un millier de fichiers bruts de données réelles de suivi d’avions. Ce n’est pas un projet client, et il est présenté comme tel — mais c’est là que l’architecture en couches médaillon, l’orchestration et la CI utilisées dans les pipelines clients ont été apprises au grand jour.

Technologies utilisées
  • Python
  • FastAPI
  • Airflow
  • AWS
  • MinIO
  • Parquet
  • dbt
  • DuckDB
  • PostgreSQL
  • MongoDB
  • Neo4j
  • Docker
  • GitHub Actions
Comment circulent les données

Ingestion, couches, modélisation, service — un seul DAG de bout en bout

AIRFLOW · TASKFLOW DAG ADS-B feed FastAPI Bronze Silver Marts 1,000+ rawfiles Pydanticboto3 · s3fs object storeas landed Parquetpartitioned dbt onDuckDB PostgreSQLMongoDBNeo4j SQLAlchemyaggregationsCypher GITHUB ACTIONS À CHAQUE PUSH Ruffpytest · 62Docker Buildx

Bronze et silver sont les couches médaillon : les fichiers bruts arrivent intacts pour qu’une erreur d’analyse puisse être rejouée, et la couche Parquet est celle que lit toute la suite. L’ensemble tourne sous Docker Compose.