Projets — Dixamix

Sélection de projets

Des systèmes que nous avons livrés en production.

Chaque engagement reflète une forte appropriation de l'architecture, de l'ingénierie et du déploiement — conçu pour durer, pas pour une démo.

Cas · 01

Vision par ordinateur pour semelles orthopédiques sur mesure

Défi

Remplacer les scanners spécialisés en magasin par un parcours uniquement sur smartphone qui capture des biométriques plantaires utilisables cliniquement pour des semelles orthopédiques sur mesure.

Solution

Un pipeline de vision par ordinateur utilisant des modèles YOLO pour la détection de points clés et de structures, combiné à une logique d'extraction biométrique et une expérience de capture mobile.

Résultat

Une plateforme de mesure scalable et accessible — conçue pour la fiabilité en production et la fidélité clinique.

YOLOPyTorchFastAPIMobile captureOpenCV

Cas · 02

Plateforme de santé avec assistant RAG médical

Défi

Livrer une plateforme de santé avec support conversationnel, logique de planification et récupération fiable de connaissances cliniques.

Solution

Un assistant RAG médical avec recherche vectorielle, routage d'intention et garde-fous — intégré dans une plateforme Next.js avec planification et flux patients.

Résultat

Un assistant IA conscient de la sécurité, intégré dans un produit clinique réel, conçu pour la maintenabilité et l'audit.

Next.jsVector DBRAGIntent routingHealthcare

Cas · 03

Systèmes métier sur AWS & Kubernetes

Défi

Unifier les services Node.js et un ERP Odoo en une seule plateforme orchestrée par conteneurs avec une discipline opérationnelle.

Solution

Services conteneurisés sur Kubernetes (AWS), déploiements GitOps, observabilité et une séparation nette entre logique métier et intégrations.

Résultat

Une plateforme interne fiable que les équipes opérationnelles peuvent faire confiance et que les équipes d'ingénierie peuvent étendre.

Node.jsOdooDockerKubernetesAWS

Cas · 04

Plateforme MLOps & Data Lakehouse

Défi

Mettre en place une infrastructure de données et ML en production pour le streaming, le batch et le feature-serving — sans accumuler de dette technique.

Solution

Une plateforme MLOps sur EKS avec feature store, lakehouse Kafka/Iceberg, stacks dbt et Airflow, registre MLflow et observabilité end-to-end.

Résultat

Une fondation cohérente permettant aux équipes data, analytics et ML de livrer avec confiance.

EKSKafkaIcebergAirflowdbtMLflowFeast

Vous travaillez sur quelque chose de similaire ?

Étudions-le ensemble.

Démarrer un projet →