↓ Aller au contenu
SubAlpine.IT
SubAlpine.IT

Qui suis-je ?

Jérôme Buisine
Bonjour ! Je suis Jérôme Buisine, docteur en informatique et fondateur de SubAlpine.IT. Sensible aux enjeux écologiques et climatiques actuels, mon métier est d'ajuster et de concevoir des modèles de machine learning pour répondre à des besoins précis — ni plus, ni moins.

Parcours et expériences

  1. Data Scientist indépendant

    2024 - auj.
    @SubAlpine.IT - France
    • Machine learning & solutions IA
    • Optimisation (métaheuristiques, recherche opérationnelle)
    • Data science & analyse statistique
    • Développement logiciel (backend Python, PostgreSQL, mobile & web)
    • Conseil scientifique & R&D

  2. Maître de conférences associé en informatique

    2022 - 2023
    @LISIC - Calais (France)
    • Méthodes de machine learning pour optimiser temps et coûts en imagerie de synthèse
    • Recherche en informatique graphique
    • Enseignement universitaire (informatique, data science)

  3. ATER (enseignement & recherche)

    2021 - 2022
    @LISIC - Calais (France)
    • Recherche sur la perception du bruit dans les images de synthèse
    • Enseignement de la programmation et du machine learning

  4. Doctorat en informatique

    2018 - 2021
    @LISIC - Calais (France)
    Sujet : Méthodes de machine learning pour la prise en compte du bruit dans les images générées par ordinateur.

    Réalisé dans le cadre du projet ANR PrISE-3D (Perception, Interaction et Simulation d'Éclairage 3D).

  5. Master informatique (mention)

    2016 - 2018
    @ULCO - Calais (France)

Recherche

Le fil rouge de mes recherches : apprendre aux machines à percevoir le bruit d’une image de synthèse avec la finesse de l’œil humain — et à reconnaître le moment où un rendu est « assez propre » pour s’arrêter. À la clé, du temps de calcul et de l’énergie économisés.

Ce travail s’est construit autour de quelques axes qui se répondent :

  • Synthèse d’images — rendu Monte-Carlo, suppression du bruit et des artefacts (fireflies), et critères d’arrêt automatique du rendu.
  • Caractérisation statistique & sélection de caractéristiques — décrire le bruit à l’aide de mesures issues des statistiques et de la théorie de l’information (divergence de Kullback-Leibler, distance de Hellinger, moments statistiques, entropie…), puis isoler les attributs les plus discriminants pour les modèles.
  • Deep learning — architectures neuronales pour caractériser et détecter le bruit là où les mesures classiques atteignent leurs limites.
  • Perception visuelle — fixations oculaires et seuils de perception, pour calibrer les modèles sur ce que l’œil voit réellement, et non sur une métrique arbitraire.

Ces travaux ont donné lieu à des publications dans des revues et conférences telles que le Journal of Vision, Entropy, ICMLA, l’ACM Symposium on Applied Perception et l’Eurographics Symposium on Rendering, ainsi qu’à une bibliothèque d’optimisation open source publiée dans le Journal of Open Source Software.

Vous pouvez retrouver mes publications sur Google Scholar et ResearchGate, mon code sur GitHub, et plus de détails sur mon site personnel : jeromebuisine.fr.