Aller au contenu
NEURIXIS

Réalisations

Ce que nos ingénieurs ont livré.

Pas de mur de logos : un client n’est pas un trophée. Voici des projets réels, racontés sans nommer mais sans rien cacher de ce qui compte, le problème, l’approche, le résultat.

  1. Automatisation du dossier d’autorisation SORA

    Le contexte
    Un exploitant de drones (UAS) français, soumis à la méthodologie SORA 2.5 pour ses demandes d’autorisation d’exploitation. Chaque scénario de vol, avec sa zone, son appareil et son niveau de risque, ouvre un nouveau dossier.
    Le problème
    Chaque demande exige un dossier complet : ConOps, étude de risques, matrice de conformité et fichiers annexes. Comptez plusieurs jours de rédaction répétitive. Ces documents citent en permanence les manuels de vol, de maintenance et d’exploitation : à chaque révision ou amendement d’un manuel, les références doivent être revues une à une, au risque d’en laisser passer une.
    L’approche
    Le workflow développé prend en entrée l’ensemble des données disponibles : données SIG pour la zone, manuels et informations complémentaires du scénario. Un traitement hybride applique d’abord la méthodologie SORA 2.5 de façon déterministe, calculs du risque au sol et en l’air, classes SAIL et ARC, puis un modèle de langage rédige les documents en contextualisant chaque élément et chaque justification, avec citation systématique de la référence source.
    Capture de l’outil SORA : indicateurs SAIL V, GRC final 6, ARC résiduel ARC-a, et carte de la zone d’opération.
    Le workflow en action : paramètres SORA calculés, zone d’opération tracée, documents prêts à exporter.

    Le résultat

    −75 %

    de temps de rédaction en moins

    La rédaction passe de plusieurs jours à quelques heures. Et les références citées restent à jour d’elles-mêmes : quand un manuel est amendé, le dossier se régénère au lieu de se relire ligne à ligne. Le risque d’erreur disparaît.

  2. Génération automatisée de vidéos immobilières immersives

    Le contexte
    Une agence immobilière qui produit des vidéos immersives de ses biens à partir de simples images. Le rendu immersif est devenu un attendu des annonces, mais la production suit mal le rythme des mandats.
    Le problème
    Chaque vidéo était montée à la main dans l’éditeur Runway : appliquer des codes de mouvement à l’image, itérer jusqu’à trouver le bon, recommencer. Comptez trois heures par vidéo, et un coût de production qui monte à chaque itération. Et rien ne se capitalise : chaque image impose sa propre recherche, sans bénéficier des précédentes.
    L’approche
    Le modèle développé est un modèle d’apprentissage profond, entraîné en régression sur un jeu de données de plusieurs milliers d’images : il prédit directement les paramètres de mouvement à appliquer à une image nouvelle, au format attendu par l’éditeur, au lieu de les chercher un par un.

    Le résultat

    −92 %

    de temps de production en moins

    Les mouvements justes sont prédits en quelques minutes au lieu de trois heures, sans les itérations qui faisaient monter la facture de production. La vidéo devient sérielle : les biens passent en ligne au rythme des mandats, plus au rythme de l’éditeur.

  3. Système conversationnel vocal temps réel

    Le contexte
    Une jeune société qui développe un système conversationnel vocal. Deux exigences se contrarient d’emblée : une latence temps réel, parce qu’une conversation ne tolère pas les silences, et une voix de très grande qualité, parce qu’elle porte le produit.
    Le problème
    Les modèles disponibles imposent un arbitrage : adaptés au temps réel mais avec une voix robotisée, ou une belle voix avec une latence incompatible avec la conversation. La chaîne classique, transcription puis raisonnement puis synthèse, additionne les latences de chaque brique. Aucun modèle ne tenait les deux contraintes ensemble.
    L’approche
    La première itération chaîne deux modèles développés sur mesure : un Speech-to-Text, puis un Text-to-Speech adossé à une technologie de voice cloning, qui donne au système sa voix propre. La seconde les fusionne en un seul modèle Speech-to-Speech : l’audio entre, l’audio sort, sans représentation texte intermédiaire. La latence de la chaîne disparaît, la voix clonée reste.

    Le résultat

    Une voix de forte qualité, tonalité et prosodie comprises, une latence quasi imperceptible, et un modèle propriétaire qui appartient au client : aucune dépendance à une API tierce, aucun coût à la minute.

Parlons de votre cas d’usage.

Une heure suffit pour savoir si votre sujet tient debout. Si ce n’est pas le cas, nous vous le dirons à ce moment-là, pas après trois mois de projet.

Nous contacterRéserver un workshop