Projet 2024-2025 mené pour l'association Coeur de Forêt afin d'améliorer les outils de gestion des parcelles forestières. Une base de données PostgreSQL/PostGIS et des interfaces métier dédiées ont été créées.

• Passage d'une gestion décentralisée à une solution centrale et interopérable basée sur PostgreSQL/PostGIS
• Conception d'interfaces métier pour le suivi des parcelles forestières

Un outil de détection et comptage automatique des chauves-souris par intelligence artificielle, transformant des heures de travail manuel en une analyse instantanée.

• Améliorant la fiabilité des données – Notre IA est entraînée pour gérer différentes conditions de lumière, espèces de chauves-souris, types de gîtes. Obtenez des comptages précis en quelques minutes.
• Soutenant les efforts de conservation – De meilleures données signifient une meilleure protection des populations de chauves-souris.

Analyse des trajectoires de migration de centaines d'oiseaux migrateurs utilisant plus de 40 millions de points GPS pour comprendre leurs mouvements entre l'Europe et l'Afrique du Nord.

• Sur quelle zone de halte se reposent-t-ils?
• Combien de temps y restent-t-ils?
• Quels sont les couloirs de migration empruntés?
• Comment varient leurs trajectoires en fonction des conditions météorologiques?

Formation d'étudiants de l'ISA Lille aux bases de l'analyse d'image appliquée à l'écologie, avec prise en main d'un workflow d'annotation, d'apprentissage et d'interprétation des résultats.

• Étudiants ingénieurs en Master 2 de JUNIA ISA souhaitant découvrir les usages de l'analyse d'images appliquée aux sciences du vivant.
• Préparation des données, annotation, lecture des résultats, évaluation des modèles et bonnes pratiques de mise en œuvre.

Formation pour transmettre des compétences précises en analyse d'images géospatiales temps réel appliquée aux usages opérationnels.

• Formation aux méthodes d'analyse d'images géospatiales
• Accompagnement des équipes sur des cas d'usage concrets

Mission réalisée en 2025 avec Epigreen pour analyser des données de santé liées à l'épidémie Ebola en Afrique à l'aide de méthodes de machine learning, afin d'améliorer la compréhension des dynamiques épidémiologiques.

• Construction de modèles de machine learning sur des données épidémiologiques
• Visualisation et interprétation d'indicateurs de propagation pour la compréhension des dynamiques d'infection.