Faire tourner de l'IA lourde en production

VibeCheck

Client · SaaS

Faire tourner des modèles d'IA audio, lourds et gourmands, en ligne et de façon rentable : c'est le défi que m'a confié le fondateur de VibeCheck. Un SaaS conçu et développé de A à Z : l'app compare deux morceaux et calcule leur score de similarité, parfaite pour vérifier une reprise.

SaaSIA / MLStripe

01Le problème

Le vrai piège : ces modèles peuvent faire exploser les temps de réponse et la facture serveur. Il fallait que ça reste rapide, sécurisé et viable économiquement.

02Ce que j'ai livré

J'ai construit 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}

04Features clés

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

Résultat : ≈ 15 s pour séparer un morceau · 1 200+ fichiers traités · abonnements Stripe récurrents. Plus c'est pointu techniquement, plus je m'amuse.

01 / 03

J'ai digitalisé tout un métier

DreamLocation