Étude de cas · Plateforme d’analyse vidéo · MYTEAM.ai
Avertix
Une plateforme qui transforme les flux caméra en alertes qu’un opérateur peut examiner, acquitter et router, avec un worker d’inférence unique empaqueté pour le cloud et pour des appareils Jetson sur site.
- Rôle
- Responsable technique opérationnel
- Contexte
- MYTEAM.ai ; produit et recherche collaboratifs
- Technologies
- Python, FastAPI, PostgreSQL, React, TypeScript, Docker, Kubernetes, ArgoCD
- Statut
- Plateforme de l’entreprise ; environnement de démonstration GPU exploité ; chemin Jetson empaqueté
- Couches
- Interfaces, systèmes, modèles, livraison
- Piloté par moi
- Hors plateforme, ou collaboratif
- Sources caméraAjoutées, configurées et diagnostiquées depuis la consoleHors plateforme
- Worker d’inférenceUn même worker, empaqueté pour les GPU cloud et pour Jetson ; mode de déploiement fixé par sitePiloté par moi
- Plan de contrôleFastAPI sur PostgreSQL ; événements immuables et versionnésPiloté par moi
- Projections d’alertesÉcrites dans la même transaction ; cycle d’acquittementPiloté par moi
- Avertix ControlConsole React et TypeScript et destinations des alertesPiloté par moi
Ce qui alimente le worker
- Modèles vidéoBranches VideoMAE et I3D développées en recherche collaborativeRecherche collaborative
- Démarrage des modèlesChargement paresseux et thread-safe, et préchauffage asynchrone visible dans l’interfaceConstruit par moi
Deux sortes de problèmes difficiles
L’analyse vidéo pose deux sortes de problèmes difficiles. Le premier est le modèle : décider si quelques secondes d’images contiennent l’événement qui compte. Le second est tout le reste : où la vidéo a le droit d’être traitée, comment une alerte est stockée et acquittée, comment un opérateur configure ses caméras et voit ce qui s’est mal passé, et comment une nouvelle version atteint un nœud GPU ou un petit appareil sur site sans casser l’ancienne.
Les modèles sont issus d’une recherche collaborative à laquelle j’ai aussi participé (voir la présentation des modèles vidéo). Je dirige de près la plateforme qui les entoure, en écrivant et en relisant son code avec l’équipe.
Six parties de la plateforme
- 01 · Systèmes
Un event store derrière chaque alerte
Un service FastAPI sur PostgreSQL enregistre les détections sous forme d’événements immuables et versionnés. Les alertes sont des projections écrites dans la même transaction : la vue des alertes et l’historique des événements ne peuvent donc pas diverger, et les opérateurs traitent les alertes avec un cycle d’acquittement.
Je dirige le chemin d’intégration des alertes vers les applications externes : une interface d’adaptateur indépendante des fournisseurs, des webhooks signés et une outbox durable avec relances, file de lettres mortes et rejeu. La livraison est au moins une fois, avec des clés d’idempotence contre les doublons. Les adaptateurs doivent passer des tests de conformité.
- 02 · Modèles
Un worker, deux cibles
Le worker d’inférence est le même code, empaqueté pour un nœud GPU cloud et pour un NVIDIA Jetson. Les modes de déploiement (séquentiel, tout-cloud et tout-edge) forment un contrat explicite : les contraintes d’un site sur l’endroit où la vidéo peut être traitée décident de l’endroit où tourne l’inférence, sans dupliquer le code.
Je dirige un worker de streaming avec un thread de capture par caméra et des images réduites dans un tampon borné que les pipelines de modèles partagent en lecture seule. L’échantillonnage et le pas règlent la cadence ; Prometheus expose la latence d’inférence p95 et la couverture temporelle.
- 03 · Interfaces
Avertix Control
Une console React et TypeScript pour configurer les caméras, choisir la destination des alertes et diagnostiquer les sources, construite sur TanStack Query avec des données validées par zod. Vitest couvre les composants ; Playwright exécute des parcours de bout en bout avec des contrôles d’accessibilité axe.
Les appels d’API passent par un client partagé qui vérifie chaque réponse contre un schéma zod, avec un test de contrat en direct à la frontière de l’API.
- 04 · Livraison
Des contrôles à chaque merge
La CI exécute la vérification des types avec mypy, des contrats de couches d’import et la suite de tests. Des workflows séparés recherchent les secrets divulgués avec gitleaks et les dépendances vulnérables avec OSV. Un contrôle de merge n’admet un changement qu’après une revue indépendante et des contrôles au vert sur le commit exact.
- 05 · Livraison
Des chemins vers le cloud et l’edge
J’ai configuré des manifestes Kubernetes réconciliés par ArgoCD ; des déploiements canary avec Argo Rollouts qui passent de 25 à 50 puis 100 % ; un pool de nœuds GPU qui descend à zéro au repos ; et des mises à jour en pull pour les appareils Jetson via Rancher Fleet.
J’ai construit une image arm64 du worker pour Jetson, avec des dépendances PyTorch compatibles CUDA figées, et configuré des tests de fumée émulés dans la CI. Ces tests couvrent la construction de l’image ; l’inférence sur l’appareil reste à mesurer.
- 06 · Modèles
Une première inférence qui ne semble pas figée
Dans la base de code de démonstration, j’ai conteneurisé le back-end avec des profils GPU et CPU, ajouté un mode d’inférence en processus combinant les modèles VideoMAE et I3D, rendu le chargement des modèles paresseux et thread-safe, et ajouté un préchauffage asynchrone avec un indicateur d’état dans l’interface.
Du modèle de recherche au worker vérifié
- 01 · Modèles
Un ensemble de recherche, empaqueté et vérifié
J’ai intégré l’ensemble VideoMAE-MIL et I3D dans le worker de la plateforme, avec des artefacts de modèles accompagnés de sommes de contrôle. J’ai vérifié la parité des scores CUDA/CPU sur un jeu de test fixe et mesuré l’inférence à chaud sur un GPU d’ordinateur portable RTX 4060. Il a tenu la cadence testée de fenêtres de deux secondes sans chevauchement ; le CPU, non.
- 02 · Modèles
Conversion et quantification, avec le compromis
J’ai exporté X3D-M en ONNX et testé une quantification INT8 statique avec ONNX Runtime sur un GPU T4. Le fichier INT8 était 3,5 fois plus petit, avec une précision légèrement inférieure et aucune accélération par vidéo. J’ai aussi construit des moteurs TensorRT en FP32, FP16 et INT8. C’étaient des expériences ; le worker déployé utilise toujours PyTorch.
D’un changement relu à un nœud en marche
- Piloté par moi
- ChangementBranche par ticket et revue indépendante
- Contrôle de mergeTypes, couches d’import, tests, analyses de secrets et de dépendances, tout au vert sur le commit exact
- ArgoCDÉtat déclaré réconcilié dans le cluster
- CanaryTrafic augmenté de 25 à 50 puis 100 %
- ExécutionConfiguré : pool GPU qui descend à zéro ; mises à jour Jetson récupérées via Fleet
Comment le travail est mergé
J’ai fixé le protocole de livraison de la plateforme : branches par ticket, revue indépendante et merges conditionnés à des contrôles au vert sur le commit exact. Cela garde les changements assez petits pour être relus et fait de la branche principale quelque chose sur quoi un déploiement peut compter.
Sur la base de code de démonstration, j’ai encadré deux stagiaires et été le seul relecteur de leurs pull requests de fonctionnalités. Les modes de déploiement découlent de ce que les clients autorisent à sortir de leurs sites, et ils vivent dans le code comme un contrat plutôt que comme une convention.
Ce que c’est, précisément
Statut. Avertix est une plateforme d’entreprise. J’ai exploité un environnement de démonstration GPU pour elle. Le travail sur Jetson couvre l’image du worker et sa configuration de déploiement ; l’inférence sur l’appareil reste à mesurer, et je ne cite aucun chiffre de latence ou de disponibilité.
Périmètre. Avertix, en tant que produit, est un travail d’équipe, et ses modèles vidéo sont issus d’une recherche collaborative. Je dirige de près le code de la plateforme (plan de contrôle, worker, console, CI et infrastructure), par l’implémentation et la revue.
