Élève-ingénieur · ISEN Nantes · Promotion 2027

Ewan Menaheze

Étudiant en 5e année d'école d'ingénieurs en informatique et électronique, spécialisé en intelligence artificielle. Je conçois des modèles de vision par ordinateur et de deep learning, de la préparation des données jusqu'à la démonstration.

Nantes, France

Portrait d'Ewan Menaheze

À propos

Mon univers

Je suis passionné par l'intelligence artificielle, en particulier le deep learning et le traitement d'images.

En parallèle de ma formation, je mène des projets pour mettre ces domaines en pratique : suivi et ré-identification de personnes en vidéo, vision embarquée sur carte électronique, analyse de données maritimes à grande échelle. Mon stage de recherche à l'Université de Coimbra, sur l'analyse de vidéos de capsule endoscopique, m'a confirmé dans cette voie. Chaque projet présenté ici est documenté, de la démarche jusqu'aux résultats.

École
ISEN Nantes
Formation
Cycle ingénieur 2021 – 2027
Spécialité
Intelligence artificielle
Anglais
Niveau C1

IA et vision

  • Deep learning
  • CNN
  • Transfer learning
  • Détection d'objets (YOLO)
  • Traitement d'images
  • OpenCV
  • TensorFlow · Keras
  • PyTorch

Données

  • Python
  • R
  • scikit-learn
  • Clustering
  • Visualisation
  • SQL

Développement

  • C++
  • Java · JavaFX
  • HTML · CSS · JavaScript
  • PHP
  • API REST
  • Git
  • Embarqué : Arduino · BeagleBone · FPGA

Au quotidien

  • Travail en équipe
  • Anglais C1
  • Français (langue maternelle)

Concours · 2026 · 8e édition

Concours de code Euro-Information

« Pour une IA responsable » : un défi d'optimisation de 52 h, en individuel et avec l'IA autorisée. Il fallait choisir quels modèles d'IA un centre de calcul doit entraîner sous un plafond d'énergie, pour maximiser leur valeur totale, sur sept fichiers d'entrée allant jusqu'à 50 000 modèles.

  • 14esur 177 participants
  • 52 hde concours
  • 7fichiers d'entrée
Le problème, les sept fichiers et la méthode

Du 9 octobre (20 h) au 11 octobre 2026 (23 h 59). Un seul problème, décliné en 7 fichiers d'entrée : on soumet un fichier de réponse par entrée, et chacun rapporte jusqu'à 1 000 000 de points, au prorata du meilleur score du concours.

Chaque modèle demande une quantité de données de 4 types (numériques, texte, images, code), comprise dans une fourchette. Chaque dataset ne sert qu'une fois. Un dataset sous droits d'auteur divise la valeur du modèle par deux. Un modèle à un seul type de données peut servir de générateur pour satisfaire un besoin d'un autre modèle, qui perd alors aussi la moitié de sa valeur.

  1. « Example » (5 modèles, 5 datasets) : cas d'essai minuscule, résolu à l'optimum (12 946).
  2. « So it begins. » (3 000 modèles, 10 000 datasets) : les données libres de droits manquent, et les modèles qui n'ont besoin que d'une miette de données « gaspillent » un dataset entier. Meilleur score : 272 318.
  3. « Everything is free! » (5 000 modèles, 20 000 datasets) : tout est libre de droits, c'est donc un pur problème de sac à dos. Optimum prouvé (523 758).
  4. « Those models are demanding! » (8 000 modèles, 40 000 datasets) : fourchettes de données très étroites (10 unités au plus) et aucun générateur possible. Il faut remplir chaque besoin presque au dataset près. Meilleur score : 1 031 941, à 3 points au plus de l'optimum.
  5. « Looks like there's a discount on our electricity bill. » (11 000 modèles, 100 000 datasets) : l'énergie est abondante, ce sont les données qui limitent. Meilleur score : 3 786 059.
  6. « Where are the files? » (15 000 modèles, 5 000 datasets seulement) : la valeur vient surtout de modèles alimentés uniquement par des générateurs, et il faut compter chaque dataset. Meilleur score : 669 670.
  7. « We're in the endgame now. » (50 000 modèles, 250 000 datasets) : le plus gros fichier, avec tous les mécanismes à la fois. Meilleur score : 5 822 547.

Méthode. Programmation linéaire en nombres entiers (HiGHS, Gurobi) pour choisir les modèles, puis un répartiteur en C++ (recherche locale et sommes de sous-ensembles exactes) pour affecter les datasets. Plusieurs sessions de Claude ont travaillé en parallèle, chacune sur un fichier.

Faille écartée. Le correcteur officiel acceptait des indices négatifs, qui comptaient deux fois certains modèles. Des concurrents en ont profité ; je ne l'ai pas utilisée, et l'organisateur l'a ensuite corrigée.

Distinction · 2025

Concours de programmation Euro-Information

Quatre défis algorithmiques à résoudre en temps limité, face à 307 participants. Un résultat récompensé par un prix de 150 €.

  • 2esur 307 participants
  • 1eren C++ (22 participants)
  • 4défis résolus
Les quatre défis
  1. Analyse de chaînes et calcul de fréquences avec des tables de hachage, pour un comptage en temps linéaire.
  2. Plus court chemin dans un graphe pondéré, résolu avec l'algorithme de Dijkstra et une file de priorité.
  3. Programmation dynamique avec compression d'états, pour respecter les contraintes de temps et de mémoire.
  4. Ordonnancement glouton d'intervalles : tri, puis résolution des conflits pour maximiser le débit.

Réalisations

Mes projets

Cinq réalisations, d'un stage de recherche en imagerie médicale à l'électronique embarquée. Chaque page détaille la démarche, les outils et les résultats.

Stage de recherche · 4 mois

Lecture automatique de vidéos de capsule endoscopique

Stage de recherche à l'Université de Coimbra : un pipeline de deep learning qui repère les lésions dans les vidéos de capsule endoscopique, les nomme et les situe dans le tube digestif, évalué sur des patients jamais vus par les modèles.

  • PyTorch
  • EfficientNet
  • Grad-CAM
  • OpenCV
  • scikit-learn

Projet de M1 · Vision par ordinateur

Évaluer la coopération d'une personne pour la reconnaissance faciale

Projet de M1 mené à deux : un système qui évalue en vidéo si une personne coopère avec un dispositif de reconnaissance faciale. Il suit et ré-identifie chaque personne, analyse sa démarche, mesure l'occlusion de son visage et l'orientation de son regard.

  • YOLOv8
  • BoT-SORT
  • InsightFace
  • MediaPipe
  • OpenCV

Big Data · IA · Web

Analyse du trafic maritime à partir de données AIS

Des millions de positions de navires du golfe du Mexique : nettoyage et statistiques, clustering des trajectoires, prédiction du type de navire et de sa position, le tout restitué dans une application web.

  • Python
  • R
  • scikit-learn
  • PHP · SQL
  • JavaScript

Électronique embarquée

Morpion électronique

Un jeu de morpion pour enfants conçu à quatre en un mois : neuf capteurs de lumière reconnaissent les jetons, des LED et un écran LCD affichent la partie.

  • Arduino
  • C++
  • Impression 3D
  • Découpe laser

Contact

Contactez-moi

Une question sur un projet, une opportunité ou simplement envie d'échanger ? Écrivez-moi avec le formulaire ou directement par e-mail.