MODÈLES IA
DÉVELOPPÉS
Chez nous, nos modèles d’intelligence artificielle sont développés à partir de cas réels et optimisés par une approche pratique, portée par l’expertise de nos formateurs et ingénieurs.
Modeles
Etidiants
Entreprises
Logiciels
Portfolio de nos modèles IA entraînés
Exemple de Code IA
Ce code entraîne un modèle d'IA pour prédire le prix d'une moto d'occasion selon son ancienneté et sa marque. Cliquez ici pour tester
# Importation des bibliothèques
import numpy as np
from sklearn.linear_model import LinearRegression, PolynomialFeatures
from sklearn.pipeline import make_pipeline
# Données d'entraînement : ancienneté et prix des motos
x_train = np.array([[1], [2], [3], [4], [5], [6], [7], [8], [9], [10]])
y_train = np.array([900000, 750000, 600000, 500000, 350000, 250000, 180000, 120000, 90000, 70000])
# Création et entraînement du modèle polynomial pour mieux capter la tendance
model = make_pipeline(PolynomialFeatures(degree=2), LinearRegression())
model.fit(x_train, y_train)
print("Modèle entraîné avec succès !")
Modèle entraîné avec succès ! 💬 Cliquez-ici pour demandez un service.
🛵 Entrez les détails de la moto :
🚀 Projet IA Moto Occasion
Cette IA a été entièrement développée par l’entreprise Mali Développeur, à titre d’exemple pédagogique pour les étudiants.
But : Prédire le prix d’une moto d’occasion en fonction de :
– Marque (Yamaha, Honda, etc.)
– Prix initial
– Âge
🔧 Comment ça marche ?
1. Modèle IA (Python) :
– Régression polynomiale pour estimer la décote.
– Exemple : `Prix = Prix initial – (Dépréciation × Âge)`.
2. Interface (HTML/JS) :
– Popup simple pour saisir les données.
– Calcul instantané en JS avec taux de dépréciation par marque.
– Prix minimum bloqué à 100 000 FCFA.
3. Bonus:
– Synthèse vocale pour annoncer le prix.
– Design responsive (mobile-friendly).
🔄 Résumé en 3 étapes :
1. Saisir les infos → 2. Cliquer → 3. Obtenir le prix prédit + vocal. 😊
IA Agricole Mali - Prédiction de Rendement
Ce modèle prédit le rendement des cultures au Mali selon la région, le type de sol et les pratiques agricoles. Cliquez ici pour tester
# Modèle IA de prédiction agricole pour le Mali
import pandas as pd
from sklearn.ensemble import RandomForestRegressor
# Données d'entraînement
data = {
'region': ['Sikasso', 'Ségou', 'Kayes', 'Mopti'],
'culture': ['Mil', 'Sorgho', 'Maïs', 'Riz'],
'sol': ['Argileux', 'Sablonneux', 'Limoneux', 'Hydromorphe'],
'pluie': [800, 600, 500, 900],
'engrais': ['NPK', 'Organique', 'Urée', 'DAP'],
'rendement': [12.5, 9.8, 15.2, 22.7] # quintaux/ha
}
# Préparation des données
df = pd.DataFrame(data)
model = RandomForestRegressor(n_estimators=100)
X = df[['region', 'culture', 'sol', 'pluie', 'engrais']]
y = df['rendement']
model.fit(X, y)
print("Modèle entraîné avec succès! Prêt à prédire les rendements.")
🌾 Prédiction de Rendement Agricole
🌾 Méthode de Prédiction Agricole (IA)
Cette IA a été entièrement développée par l’entreprise Mali Développeur, à titre d’exemple pédagogique pour les étudiants.
✅ On a utilisé un RandomForestRegressor (plus précis qu’une simple régression linéaire).
🧮 Calcul du rendement :
🎯 Rendement = Base × Coefficient_Région × Coefficient_Sol × Coefficient_Engrais × Effet_Pluie
📌 Exemple : Pour du riz à Sikasso (pluie abondante + sol hydromorphe) → Rendement élevé 💪
⚡ 2. Calcul instantané côté navigateur (JavaScript)
📊 Le calcul utilise :
📍 Coefficients prédéfinis (ex : Sikasso = +35% de rendement)
🌧️ Effet de la pluie : Trop ou trop peu = baisse du rendement (courbe en cloche)
🛡️ Rendement minimum garanti : 5 q/ha, même en conditions défavorables
🔥 3. Bonus interactifs
🗣️ Synthèse vocale : Le résultat est lu à voix haute (“Rendement prévu : 12.5 q/ha”)
📊 Analyse détaillée : Chaque paramètre influençant le rendement est expliqué
MALIDIA - Diagnostic Médical IA pour le Mali
Solution d'intelligence artificielle pour le diagnostic des pathologies courantes au Mali Tester le diagnostic IA
# Chargement des bibliothèques médicales
import tensorflow as tf
from tensorflow.keras import layers, models
import numpy as np
import pandas as pd
import cv2
# Pathologies prioritaires au Mali
PATHOLOGIES = [
'Paludisme grave', 'Tuberculose', 'Méningite',
'Bilharziose', 'Pneumonie', 'Anémie sévère'
]
# Architecture du modèle CNN
model = models.Sequential([
layers.Conv2D(32, (3,3), activation='relu', input_shape=(256,256,3)),
layers.MaxPooling2D(2,2),
layers.Conv2D(64, (3,3), activation='relu'),
layers.MaxPooling2D(2,2),
layers.Conv2D(128, (3,3), activation='relu'),
layers.MaxPooling2D(2,2),
layers.Flatten(),
layers.Dense(512, activation='relu'),
layers.Dense(len(PATHOLOGIES), activation='softmax')
])
# Compilation du modèle
model.compile(optimizer='adam',
loss='categorical_crossentropy',
metrics=['accuracy'])
print("Modèle MALIDIA prêt pour le diagnostic assisté")
Paramètres du Diagnostic
🧬 Diagnostic Médical par IA
Cette IA a été entièrement développée par l’entreprise Mali Développeur, à titre d’exemple pédagogique pour les étudiants.
On a utilisé un modèle CNN entraîné pour détecter les pathologies majeures au Mali 📊
Diagnostic basé sur images médicales : radiographie, scanner, échographie…
⚡ 2. Analyse instantanée :
🔍 Choix de la pathologie suspectée
📍 Ajustement selon la région (zones à risque)
🧪 Diagnostic généré avec un taux de fiabilité (ex : 92%)
🗣️ 3. Fonctionnalités bonus :
🧾 Synthèse vocale du résultat final
🔬 Traitements recommandés en fonction du cas
📱 Design responsive, adapté aux écrans mobiles
⚠️ Avis Important – Limite d’Utilisation
🧪 Ce diagnostic assisté par IA est uniquement à but pédagogique.
Il ne remplace en aucun cas une consultation médicale réelle.
👨⚕️ Pour tout symptôme ou problème de santé, consultez impérativement un professionnel de santé qualifié.
🛑 Mali Développeur ne saurait être tenu responsable des décisions prises par les utilisateurs suite aux résultats ou prédictions affichés par ce système.
🙏 Merci de faire preuve de discernement et de prudence.