64-16cb31ec77db4a9c.js","8231","static/chunks/8231-4e2c169f3b6c1499.js","7504","static/chunks/7504-8e1da4937b377bd8.js","2997","static/chunks/2997-0ae3eb7b33f472b0.js","8087","static/chunks/8087-d70357f71aa5c243.js","6037","static/chunks/6037-3d58c2403c865b44.js","9846","static/chunks/9846-eeab543a5bf7bfd5.js","9082","static/chunks/9082-003b1dbcf9e74f3b.js","9733","static/chunks/9733-255e0a4253ffcc11.js","7486","static/chunks/7486-de41fbe8ff3363e3.js","14","static/chunks/14-c7ea6a739710847b.js","3994","static/chunks/3994-5a9e1a46a3ca8f07.js","6478","static/chunks/app/orgs/%5Bslug%5D/page-0adccaabca0b1bbe.js"],"ComptesCompanyPageClient"] 1d:T5be,

Le projet consiste à développer un générateur de jumeaux numériques pour le secteur de la santé, via une plateforme intégrant des modèles de machine learning et des fonctionnalités avancées d’analyse de données pour la simulation et la prédiction de scénarios médicaux. Les principales réalisations incluent :

L’analyse des besoins métiers et la rédaction des spécifications techniques.
La conception de l’architecture technique de la plateforme.
Le développement et le déploiement d’API REST performantes et évolutives avec Flask.
La modélisation et l’optimisation de bases de données relationnelles sous PostgreSQL.
La rédaction et l’exécution de tests unitaires avec Pytest, et la mise en place d’une intégration continue.
Le suivi de la qualité du code via SonarQube et Bandit.
La documentation technique accessible via Flasgger.
L’intégration de modèles de machine learning dans les flux opérationnels.
L’implémentation d’API pour les tâches longues (Long Running Jobs) avec DAPR.
La mise en œuvre de mécanismes Publish & Subscribe via DAPR pour un traitement asynchrone et efficace des tâches volumineuses.
La gestion des versions des services avec Git et la coordination de la collaboration en équipe.
Le partenariat avec l’

QUALEES

QUALEES

Analyse en cours pour cette entreprise