Qui sommes-nous?
Chez LumyMe, nous sommes profondément convaincus que le business model plateforme est le plus performant qui existe. C’est la capacité des plateformes à orchestrer des ressources connectées, qui permet aux plateformes d’être aussi performantes. Les plateformes doivent néanmoins veiller à un partage équitable de la valeur entre les acteurs pour être durable. Le partage équitable de la valeur est une nécessité économique pour les plateformes. Cette équité permet de garder l’équilibre entre l’offre et la demande. C’est un pilier fondateur de LumyMe. Nous nous engageons à un partage de la valeur équitable entre photographes, clients et LumyMe. Chacun récoltant un tiers de la valeur générée sur LumyMe. Cette règle de partage fait de LumyMe la plateforme la plus rémunératrice pour les photographes et la plus compétitive
Innovation
Le leitmotiv de notre équipe tech chez LumyMe est de mettre au service les technologies de pointe dont nous avons la maîtrise dans un but d’amélioration de la vie de nos utilisateurs. Pour ce faire, une architecture scientifique délicate, complexe et invisible en surface sous-tend notre application. Afin de fournir plus de transparence aux curieux, nous avons décidé d’ouvrir cette section, Innovation, dans laquelle nous posterons des éléments d’explication quant à cette architecture.
En ce qui concerne notre méthode générale d’intégration desdites avancées scientifiques, nous sommes convaincus que dans le contexte technologique actuel il est nécessaire de fournir des services adaptatifs, corrélés à l’évolution du besoin du client, par opposition aux services figés post-production. Dans notre cas, cette adaptation se fait par rapport aux retours des deux partis impliqués : clients et photographes. A travers cette souplesse, nous retirons une véritable agilité par rapport au pricing de notre application, et in fine une compétitivité inégalable.
Innovation
Le leitmotiv de notre équipe tech chez LumyMe est de mettre au service les technologies de pointe dont nous avons la maîtrise dans un but d’amélioration de la vie de nos utilisateurs. Pour ce faire, une architecture scientifique délicate, complexe et invisible en surface sous-tend notre application. Afin de fournir plus de transparence aux curieux, nous avons décidé d’ouvrir cette section, Innovation, dans laquelle nous posterons des éléments d’explication quant à cette architecture.
Notre leitmotiv
En ce qui concerne notre méthode générale d’intégration desdites avancées scientifiques, nous sommes convaincus que dans le contexte technologique actuel il est nécessaire de fournir des services adaptatifs, corrélés à l’évolution du besoin du client, par opposition aux services figés post-production. Dans notre cas, cette adaptation se fait par rapport aux retours des deux partis impliqués : clients et photographes. A travers cette souplesse, nous retirons une véritable agilité par rapport au pricing de notre application, et in fine une compétitivité inégalable.
En ce qui concerne notre méthode générale d’intégration desdites avancées scientifiques, nous sommes convaincus que dans le contexte technologique actuel il est nécessaire de fournir des services adaptatifs, corrélés à l’évolution du besoin du client, par opposition aux services figés post-production. Dans notre cas, cette adaptation se fait par rapport aux retours des deux partis impliqués : clients et photographes. A travers cette souplesse, nous retirons une véritable agilité par rapport au pricing de notre application, et in fine une compétitivité inégalable.
Le dispatch
L’algorithme de dispatch développé permet la répartition des paires photographes/clients. Comme précisé précédemment, il évolue en fonction de la qualité de l’expérience client/photographe. En effet, l’intersection des attentes de nos premiers clients ainsi que du noyau dur de photographes nous ayant rejoint est la qualité de l’expérience shooting.
L’algorithme de dispatch a donc pour but principal d’améliorer cette expérience, d’optimiser le remplissage de l’emploi du temps des photographes et de minimiser le temps d’attente des clients. Il s’enrichit ainsi avec la croissance de l’app et du nombre de shootings réservés. Il est construit sur la base d’algorithmes de matching bipartite, avec arrivée d’agents indépendants (clients/photographes). La lecture de l’article suivant (https://arxiv.org/abs/1805.02014) permettra aux plus déterminés d’assimiler les bases techniques derrière ce type d’algorithme.
Le dispatch
L’algorithme de dispatch développé permet la répartition des paires photographes/clients. Comme précisé précédemment, il évolue en fonction de la qualité de l’expérience client/photographe. En effet, l’intersection des attentes de nos premiers clients ainsi que du noyau dur de photographes nous ayant rejoint est la qualité de l’expérience shooting.
L’algorithme de dispatch a donc pour but principal d’améliorer cette expérience, d’optimiser le remplissage de l’emploi du temps des photographes et de minimiser le temps d’attente des clients. Il s’enrichit ainsi avec la croissance de l’app et du nombre de shootings réservés. Il est construit sur la base d’algorithmes de matching bipartite, avec arrivée d’agents indépendants (clients/photographes). La lecture de l’article suivant (https://arxiv.org/abs/1805.02014) permettra aux plus déterminés d’assimiler les bases techniques derrière ce type d’algorithme.
Le machine learning
Parmi les outils de LumyMe, nombreux sont ceux qui se basent sur des algorithmes tirant parti du Machine Learning. Par exemple, de nombreux micro-services sont mis à dispositions des photographes pour accélérer le processus de retouche des photos en automatisant certaines parties. Parmi ces micro-services, nous proposons notamment une fonction de reprise de la colorimétrie automatisée, une fonction de lissage de la peau (discrète, pour éviter l’effet trop retouchée que peuvent avoir certaines photos) et une fonction d’édition permettant d’enlever les objets en arrière plan n’ayant pas leur place sur une photo de qualité.
Le machine learning
Parmi les outils de LumyMe, nombreux sont ceux qui se basent sur des algorithmes tirant parti du Machine Learning. Par exemple, de nombreux micro-services sont mis à dispositions des photographes pour accélérer le processus de retouche des photos en automatisant certaines parties. Parmi ces micro-services, nous proposons notamment une fonction de reprise de la colorimétrie automatisée,
une fonction de lissage de la peau (discrète, pour éviter l’effet trop retouchée que peuvent avoir certaines photos) et une fonction d’édition permettant d’enlever les objets en arrière plan n’ayant pas leur place sur une photo de qualité. Pour détailler un peu plus notre approche, prenons l’exemple de cette dernière fonction dite d’object removal.
Pour réaliser cette fonction, nous avons choisi d’implémenter un réseau de neurones permettant à partir d’une photo dont une partie est effacée de recréer une photo complète. Pour ceci, nous nous sommes concentrés
sur deux aspects: le premier est que la photo recréée ait un sens et le second est que la partie créée par notre réseau ne se distingue pas de la photo d’origine en ses bords pour avoir un rendu le plus réaliste possible.
Nous avons donc entrainé notre réseau en lui fournissant un très grand nombre de photos dont nous avions nous même effacés une partie en lui disant que la photo recréée devait ressembler le plus possible à la photo d’origine. Vous pouvez retrouver plus de détails sur cette méthode en lisant cet article de recherche (https://arxiv.org/pdf/1611.09969.pdf). En outre, tous ces micro-services, en plus d’être suffisamment rapides pour être utilisé de manière quasi-instantanée par nos photographes, sont validés en terme de qualité de rendu par notre Chief Artistic Officer pour que les photos fournies soient toujours du plus haut niveau.
Notre leitmotiv
Pour détailler un peu plus notre approche, prenons l’exemple de cette dernière fonction dite d’object removal. Pour réaliser cette fonction, nous avons choisi d’implémenter un réseau de neurones permettant à partir d’une photo dont une partie est effacée de recréer une photo complète. Pour ceci, nous nous sommes concentrés. sur deux aspects: le premier est que la photo recréée ait un sens et le second est que la partie créée par notre réseau ne se distingue pas de la photo d’origine en ses bords pour avoir un rendu le plus réaliste possible.
Nous avons donc entrainé notre réseau en lui fournissant un très grand nombre de photos dont nous avions nous même effacés une partie en lui disant que la photo recréée devait ressembler le plus possible à la photo d'origine. Vous pouvez retrouver plus de détails sur cette méthode en lisant cet article de recherche (https://arxiv.org/pdf/1611.09969.pdf).
En outre, tous ces micro-services, en plus d'être suffisamment rapides pour être utilisé de manière quasi-instantanée par nos photographes, sont validés en terme de qualité de rendu par notre Chief Artistic Officer pour que les photos fournies soient toujours du plus haut niveau.
Restez-informé
Inscrivez-vous à notre newsletter pour recevoir nos dernières actualités