Passer au contenu principal

Muzéo – Data

Revalorisation d’archives PDF par recherche avancée
Muzéo – Data par Agence Web Kernix

Client

Muzéo

Expertises

Data science
Deep learning

Technos

Python
TensorFlow
OpenCV
FastAPI
Milvus
ElasticSearch
SQLite3

Année

2021
Kernix a développé un moteur de recommandation facilitant la recherche d'oeuvre pour les collaborateurs Muzéo

Contexte

Muzéo est le leader européen en conception, développement, réalisation et installation d’artworks. La société réalise plus de 400 projets par an, en France et dans le​ monde entier. Elle multiplie les expertises liées aux images et à la décoration, aussi bien auprès des professionnels que du grand public. C’est donc un univers artistique en perpétuel mouvement que propose Muzéo à ses clients. Grâce à ses multiples propositions d’œuvres, de supports, de formats ou de compositions, chaque reproduction devient une œuvre d’art unique à part entière.

Mission

Au travers de ses propositions commerciales, Muzéo produit un réel travail de création qui, parfois, n’est pas exploité et qui demeure en sommeil dans des fichiers PDFs. Depuis sa fondation, l’entreprise a donc produit un nombre considérable de créations qui, toutes, sont le fruit d’un travail humain méritant d’être valorisé. Les inclinations du client, les contraintes économiques, des détails parfois très prosaïques, font que, sur cette somme de créations, peu sont en réalité exploitées… Une grande part des œuvres élaborées par Muzéo demeurent donc dans ses archives. C’est pour mettre fin à cette stase et redonner vie à des créations de qualité que Muzéo a fait appel à Kernix.

L’objectif de cette mission est de rendre cette matière accessible aux collaborateurs de Muzéo. Pour y répondre, Kernix a développé un moteur de recherche qui permet d’accéder efficacement aux créations les plus pertinentes en requêtant par des mots clés, par une image ou même par une couleur.

Résultats

En exploitant le contenu des fichiers PDFs, Kernix a développé :

  • Un algorithme de recommandation d’images permettant de faire des liens entre des créations proches. Cet algorithme est basé sur une architecture ResNet50.
  • Un moteur de recherche textuelle basé sur ElasticSearch pour pouvoir relier des concepts à des œuvres.
  • Un moteur de recherche par couleur dominante dans des zones d’attention, permettant de créer des univers décoratifs cohérents.
  • Une industrialisation du projet et une anticipation du passage à l’échelle dans un avenir proche.
Prochaine réalisation

Collections du
musée du Louvre

Développement du site des Collections

Collections du
musée du Louvre

Développement du site des Collections
Haut de page
Haut de page