Youba Sokona · Bamako, Mali

Des données, des logiciels et du design qui servent votre activité.

TWINSDESIGN, porté par Youba Sokona, Data Scientist et développeur full-stack, accompagne les entreprises et les particuliers de l'analyse des données jusqu'au logiciel en production : modèles de machine learning, applications web et mobiles, logiciels de caisse, maintenance et identité visuelle.

Discuter de votre projet Voir les réalisations

Formation : Maîtrise en Data Sciences Spécialité : Big Data et SI Langage principal : Python

Fig. 1 · Logo TWN, Design CreatorIdentité visuelle TWINSDESIGN

4logiciels de caisse conçus en binôme pour le marché malien

2017premières interventions en informatique

2zones agricoles modélisées : Niono et Macina

100+visuels réalisés en graphisme et UI/UX

Prestations

Quatre métiers, un seul interlocuteur :

Toutes les prestations

Data science et intelligence artificielle :

Analyse de données, machine learning, deep learning, Big Data, tableaux de bord et agents IA pour décider plus vite.

Python · scikit-learn · TensorFlow/Keras · PyTorch · Pandas · Hadoop Détails de la prestation

Développement web, mobile et logiciels de caisse :

Applications web et mobiles, API et logiciels de point de vente pensés pour le commerce malien.

Angular · React · Next.js · TypeScript · Python · NestJS Détails de la prestation

Maintenance et assistance informatique :

Postes de travail, vidéosurveillance, réseau et conseil pour que votre activité tourne sans interruption.

Linux · CentOS · Debian · Bash · PowerShell · CMD Détails de la prestation

Graphisme, UI/UX et identité visuelle :

Identités visuelles, logos, affiches, vidéos et maquettes d'interfaces : plus de 100 visuels réalisés.

UI/UX · Prototypage · Identité visuelle Détails de la prestation

Réalisations

Du terrain malien au modèle déployé :

Toutes les réalisations

Mémoire de Licence · 2024 – 2025

Prédire le rendement du riz irrigué sans centraliser les données :

Zones de Niono et de Macina, Office du Niger.

Thème: Prédiction du rendement agricole à l'aide du machine learning au Mali, cas du riz irrigué
Méthode: Apprentissage fédéré (FedPer, FedProx), données non-IID
Outils: Python

Générateur de données synthétiques simulant des environnements agricoles hétérogènes.
Modélisation de distributions non-IID (données non indépendantes et non identiquement distribuées).
Architecture d'apprentissage fédéré : les données restent dans chaque zone, seuls les paramètres des modèles sont partagés.
Analyse de convergence et comparaison avec un modèle centralisé.
Évaluation de l'équité des performances entre zones ; modèle adapté aux contextes à faible connectivité.

Commerce de détail

Boutiki :

Logiciel de caisse pour les boutiques.

Restauration rapide

Yumiam :

Logiciel de caisse pour les fast-foods.

Artisanat

The-Tailor :

Logiciel de caisse pour les ateliers de couture.

Élevage avicole

Farmer :

Logiciel de gestion des élevages avicoles.

Compétences

De la donnée brute à l'application en production :

Toutes les compétences

Développement front-end :

Angular (niveau avancé)React (niveau avancé)Next.jsJavaScriptTypeScriptHTML5CSS3

Back-end et API :

Python (langage principal)NestJSDjangoFlaskPHPJavaAPI RESTMicrosoft Graph

Machine learning :

RégressionClassificationClusteringValidation croiséescikit-learnPandasNumPyApprentissage fédéré (FedPer, FedProx)

Deep learning :

Réseaux ANNRéseaux CNNTensorFlow/KerasPyTorchVision par ordinateurNLPModèles de prédiction

Big Data :

Hadoop (HDFS, MapReduce)Spark (PySpark)Architecture et infrastructure Big Data

Systèmes d'information et BI :

UMLMeriseDDDEntrepôts de donnéesETLPower BIStreamlit

Méthode

Comment un projet avance :

La démarche suivie pour les logiciels de caisse Boutiki, Yumiam, The-Tailor et Farmer, de mars 2025 à août 2026.

Analyse des besoins :
Enquête de terrain auprès de particuliers et de petites et moyennes entreprises (PME).
Spécification et conception :
Fonctionnalités, écrans et architecture définis à partir des besoins collectés.
Développement et tests :
Développement des modules, tests et correction des anomalies.
Mise en production :
Déploiement de l'application chez l'utilisateur.