Servir un modèle d'IA en production

VibeCheck

Freelance · 2024 - 2025

SaaS d'analyse audio : l'application compare deux morceaux et calcule leur score de similarité. Conçu, développé et mis en ligne seul.

VibeCheck compare deux morceaux et calcule leur score de similarité, de quoi vérifier une reprise. Je l'ai conçu et développé de bout en bout, du traitement du signal jusqu'à la facturation.

SaaSIA / MLStripe

01La contrainte

Les modèles audio sont lourds et gourmands. Servis naïvement, ils font exploser les temps de réponse et la facture serveur. Il fallait que ça reste rapide, sécurisé et tenable économiquement.

02Ce que j'ai livré

Un SaaS complet en self-service : front Next.js, API FastAPI qui fait tourner TensorFlow, abonnement Stripe, fichiers chiffrés, nettoyage automatique, le tout déployé sur un VPS avec NGINX.

03Sous le capot

Le score ne sort pas d'une boîte noire: voici le pipeline qui tourne dans l'API à chaque analyse.

Spectrogramme

Fenêtrage + Fourier à court terme

X (m, ω) = \sum_{n} x [n] w [n - m] e^{- j ω n}

Séparation des sources

Masquage spectral appris (TensorFlow)

M_{i} (t, f) = \frac{{| S_{i} |}^{2}}{\sum_{j} {| S_{j} |}^{2}}, {\hat{S}}_{i} = M_{i} ⊙ X

Comparaison

Similarité cosinus entre embeddings

\cos θ = \frac{⟨ u, v ⟩}{‖ u ‖ \cdot ‖ v ‖}

Score final

Somme pondérée (mélodie, harmonie, timbre, rythme)

S = 100 \cdot \sum_{k = 1}^{K} w_{k} \cdot \cos θ_{k}

04Points clés

Comparaison de pistes & score de similarité
Séparation des instruments et de la voix
Historique des analyses
Abonnement Stripe · fichiers chiffrés

Résultat : Un SaaS complet en ligne : traitement du signal, modèle servi en production, paiement par abonnement. Toute la chaîne fonctionne, du fichier envoyé au score rendu.

01 / 03

Numériser un métier de bout en bout

DreamLocation