Transformer la donnée en outils utiles

Assistant intelligent conçu pour aider les patients à préparer leur consultation médicale en amont. L'utilisateur décrit ses symptômes, renseigne ses antécédents médicaux et ses traitements en cours, dans sa propre langue. L'IA structure ensuite ces informations, génère un résumé clair et compréhensible, traduit si besoin dans la langue souhaitée, et propose une liste de questions pertinentes à poser au médecin. L'objectif : fluidifier le dialogue entre patient et soignant, et permettre à chacun d'arriver en consultation avec des informations mieux organisées.

• Saisie des symptômes, antécédents et traitements en langage libre
• Structuration automatique des informations par l'IA
• Résumé clair généré dans la langue choisie par l'utilisateur
• Suggestions de questions pertinentes à poser au médecin

Réalisé en groupe de 4-5 étudiants dans le cadre de l'EFREI, sur une architecture complète : une API back-end en Flask (Python) avec base de données MySQL, une couche IA dédiée pilotant un modèle de langage (Gemma) exécuté localement via Ollama pour la structuration, le résumé et la traduction des données patient, ainsi qu'une application mobile en React Native (Expo). L'authentification et les données sensibles sont protégées par chiffrement (bcrypt, cryptography), avec une attention particulière portée à la conformité RGPD.

Plateforme intelligente de suivi et de prédiction des débordements de poubelles, reposant sur l'analyse d'images et le machine learning. Là où les solutions existantes se limitent à détecter si une poubelle est pleine ou vide, TrashMap cherche à anticiper les zones et les périodes à risque de dépôt sauvage. Des modèles de deep learning apprennent à repérer des signaux faibles : variation de texture, densité visuelle des déchets, évolution d'un même site dans le temps, croisés avec des données contextuelles (météo, jours de marché, densité de population, travaux, saisonnalité) pour produire des cartographies dynamiques de risque et orienter les interventions préventives des services publics.

La chaîne technique couvre l'ensemble du cycle : acquisition des images (upload citoyen, agents de terrain, caméras embarquées), annotation et extraction de features (histogrammes, contrastes, contours, luminance), classification par computer vision (pleine / vide), puis prédiction spatio-temporelle par deep learning. Le projet s'inscrit aussi dans une démarche Green IT : optimisation des algorithmes et hébergements sobres en énergie, pour que l'IA reste un levier concret au service de l'environnement.

• Classification par computer vision (poubelle pleine / vide)
• Prédiction spatio-temporelle des zones à risque
• Cartographie dynamique pour les services publics
• Approche Green IT : sobriété des calculs et de l'hébergement

Le front-end est développé en Nuxt.js (Vue 3) pour une navigation fluide entre l'upload d'images, le tableau de bord statistique et la carte interactive. Le back-end en Node.js (Express) orchestre des scripts Python d'extraction de caractéristiques visuelles (OpenCV) et un modèle de classification par réseau de neurones convolutif (CNN), le tout connecté à une base PostgreSQL. Projet réalisé en groupe de 4-5 étudiants dans le cadre du MasterCamp Data de l'EFREI 2025.

Ce projet vise à analyser et enrichir les avis et alertes de l'ANSSI concernant les vulnérabilités informatiques. À partir des flux RSS, les identifiants CVE sont extraits puis enrichis via des API externes (MITRE, EPSS, CWE) afin de constituer un jeu de données consolidé dans un DataFrame Pandas. Cette base permet une analyse exploratoire et des visualisations avancées : distribution des scores CVSS, heatmaps CVSS/EPSS, nuages de points, évolution temporelle des vulnérabilités.

Au-delà de la simple exploration statistique, le projet intègre une dimension machine learning avec scikit-learn. La réduction de dimension par ACP (PCA) facilite la représentation des vulnérabilités en mettant en évidence les facteurs principaux de criticité. Le clustering non supervisé (KMeans) permet de regrouper automatiquement les vulnérabilités selon leurs similarités, révélant des familles récurrentes (injections, contournements d'authentification, produits sensibles). Un modèle supervisé peut également être entraîné pour prédire la probabilité d'exploitation ou le niveau de criticité à partir des caractéristiques techniques.

Cette approche data-driven transforme des flux bruts en informations exploitables : identification des vulnérabilités prioritaires, compréhension des tendances, et génération d'alertes personnalisées adaptées aux produits affectés. Le projet illustre ainsi la valeur de la data science et de l'IA appliquées à la cybersécurité, combinant automatisation, visualisation et apprentissage automatique pour renforcer la veille de sécurité et la prévention proactive des risques.

• Extraction et enrichissement de CVE (MITRE, EPSS, CWE)
• Visualisations avancées (CVSS, EPSS, tendances temporelles)
• Réduction de dimension par ACP (PCA)
• Clustering non supervisé (KMeans) et modèle prédictif

Le notebook met aussi en œuvre une imputation supervisée des données manquantes par RandomForestRegressor, ainsi qu'une génération et un envoi automatisés d'alertes email personnalisées vers les abonnés concernés par une vulnérabilité critique. Projet réalisé en groupe de 4-5 étudiants à l'EFREI.