— À propos
Nadir GHEZALI
Fondateur · Ingénieur logiciel
Le projet
NumidAI est un projet indépendant de recherche et développement consacré à la détection précoce des feux de forêt, en embarqué.
Ce projet est personnel. Chaque année, les feux de forêt causent des dégâts dévastateurs partout dans le monde — y compris dans la région d’origine de mes parents, où des vies ont été perdues et où des paysages entiers d’oliveraies sont partis en cendres.
La détection précoce est décisive dans la lutte contre les incendies. Capter un départ de feu dans ses premières minutes peut faire la différence entre maîtriser un petit foyer et perdre de vastes étendues de végétation — et parfois des vies.
Parcours
Expérience
Plus de 20 ans en systèmes embarqués et logiciel temps réel. Spécialiste C++ et Linux. Expérience en traitement vidéo, edge computing et architecture logicielle.
Pourquoi NumidAI
NumidAI est l’application concrète d’une expertise en systèmes embarqués à un problème qui compte : la détection précoce des feux de forêt.
J’ai travaillé sur chaque aspect du système — des spécifications initiales à l’intégration embarquée et à l’optimisation sur cible, en passant par l’ingénierie des données, l’entraînement et l’évaluation du modèle.
Données — Agrégation et curation de datasets à grande échelle. Conception de taxonomie de métadonnées. Hard negative mining. Annotation assistée par modèle. Splits stratifiés avec prévention stricte des fuites de données.
Modèle — Stratégie de détection recall-first. Distribution d’entraînement pilotée par le signal. Calibration des seuils sous contrainte opérationnelle de faux positifs.
Logiciel embarqué — Pipeline d’inférence C++ temps réel sur cible embarquée. Architecture multi-thread, latence bout en bout inférieure à 100 ms. Détection multi-étages et filtrage sémantique.
Validation — Évalué sur FIgLib (HPWREN), le banc académique de référence pour la détection de fumée par caméra, sur le split de test publié de l’état de l’art, en hors distribution strict : 100 % des événements incendie détectés. Éprouvé également sur des sites difficiles et des flux en direct du monde entier (HPWREN, explore.org, Cannon Mountain), du 720p au 1080p, en lumière rasante et scènes riches en confuseurs. Protocole complet et tables de résultats disponibles sur demande. Interface web d’exploitation servie par le module lui-même.
Tout le reste — Architecture système, stratégie de déploiement, protocole d’évaluation terrain, documentation technique, et ce site.
Un projet construit pour valider une hypothèse technique sur du vrai matériel, avec de vraies données — désormais comparé à l’état de l’art publié, et en quête du terrain.
Ouvert à
- Un pilote terrain : un massif surveillé, une saison, des flux opérationnels réels — pour mesurer le taux de fausses alertes en production et le rappel précoce, les métriques qui comptent
- Des séquences de départs de feux réels captées par des caméras de surveillance existantes, pour une validation complémentaire avant tout déploiement
- Collaboration technique en IA embarquée pour la surveillance environnementale
- Retours de praticiens exploitant des réseaux de caméras de surveillance de massifs