Proof-of-Concept Full-Stack Maritime AI-Ready

Navai-Lite est un Proof-of-Concept full-stack AI-ready appliqué à un cas d’usage maritime.
Le projet démontre :

• Frontend React (dashboard temps réel avec widgets météo, routes, ports, vision, AI).
• Backend NestJS + PostgreSQL (users, auth, simulator, routes, ports, vision, AI).
• Infra Docker Compose + PNPM Workspaces.
• Endpoints AI mockés (/ai/congestion, /ai/eta, /ai/fuel), prêts à être remplacés par de vrais modèles ML.
• Architecture modulaire et scalable, pensée pour accueillir de l’IA sans refactor.
• Storytelling concret : un dashboard maritime simulé, inspiré d’environnements edge/offline.

En somme : une preuve de compétences full-stack AI engineer qui illustre la maîtrise du cycle complet Frontend → Backend → DB → AI-ready.

• Frontend (Vercel) : https://navai-lite-frontend.vercel.app/
• Backend API (Render) : https://edge-api-fhqf.onrender.com/api/health/ping

Navai-Lite est un prototype full-stack conçu pour démontrer des compétences frontend, backend, base de données et intégration AI.

Il s’agit d’un dashboard maritime simulé, qui combine :

• La visualisation en temps réel de données (météo, routes, ports, vision caméra, etc.).
• La génération et la persistance de logs de simulation.
• Des endpoints AI-ready pour des cas d’usage concrets (ETA, fuel, congestion).

Ce projet est présenté comme une preuve de compétences techniques pour un poste de Full-Stack AI Engineer.

Monorepo PNPM avec deux applications principales :

navai-lite/ ├── apps/ │ ├── frontend/ # React + Vite + TypeScript (widgets temps réel) │ └── edge-api/ # Backend NestJS + TypeORM + PostgreSQL ├── infra/ # Docker Compose (DB, services) ├── services/ # Scripts utilitaires (seed, network, start/stop) ├── ai/ # Modules AI (checkpoints, orchestrateur) └── README.md # ce fichier 

• Frontend : Dashboard maritime en React (widgets météo, routes, vision, ports, AI).
• Backend (NestJS) : API modulaire (users, auth, route, simulator, vision, port, jit, weather, ai).
• Database : PostgreSQL via Docker (persistante, utilisée pour logs, routes, utilisateurs).
• Infra : Scripts Docker et utilitaires pour gérer facilement le projet.
• AI : Endpoints /ai/... mockés mais prêts à intégrer des checkpoints ML.

• Frontend : React + Vite + TypeScript + Tailwind
• Backend : NestJS + TypeORM + JWT Auth
• Database : PostgreSQL (Docker)
• Infra : Docker Compose + PNPM Workspaces
• AI-Ready : Endpoints dédiés aux prédictions (mockées mais branchées DB)

• Auth & Users : Login, Register, JWT sécurisé.
• Healthcheck : Endpoint /health pour monitoring.
• Weather API : Données météo simulées et rafraîchies en temps réel.
• Simulator : Génération de logs (position, vitesse, fuel).
• Routes & Port : Gestion des routes maritimes et congestion portuaire.
• Vision : Mock de détection d’objets caméra.
• AI :
  • /ai/congestion → score de congestion portuaire.
  • /ai/eta → estimation d’arrivée.
  • /ai/fuel → autonomie carburant restante.
    (actuellement mockés mais intégrables à de vrais modèles via checkpoints).

• Widgets temps réel : météo, routes, ports, vision, AI.
• Dashboard responsive avec rafraîchissement périodique des données.
• Auth & Users : écrans de login et gestion d’utilisateurs.

Nous avons conçu la stack pour être AI-ready :

• Endpoints /ai/... exposés dans un module dédié (AiModule).
• Mock dynamique (aléatoire + données DB) pour simuler des prédictions.
• Dossier ai/models/checkpoints/ prévu pour accueillir des modèles réels (TensorFlow, PyTorch, etc.).
• Orchestrateur central (orchestrator.ts) pour combiner plusieurs prédictions.

Le projet démontre que l’IA peut être branchée sans refactor : architecture pensée pour accueillir un vrai modèle.

git clone https://github.com/LeParisien-dev/navAI-lite.git cd navai-lite pnpm install

docker compose -f infra/docker-compose.yml up -d

cd apps/edge-api pnpm start:dev

cd apps/frontend pnpm dev

Dashboard dispo sur http://localhost:5173.
API dispo sur http://localhost:3000.

# Test Health curl http://localhost:3000/health # Test AI curl http://localhost:3000/ai/congestion curl http://localhost:3000/ai/eta curl http://localhost:3000/ai/fuel

• Full-stack complet : React + NestJS + Postgres + Docker.
• Modules modulaires : users, auth, simulator, ports, routes, AI.
• AI-Ready : endpoints mockés mais pensés pour accueillir des modèles ML.
• Infra pro : workspace PNPM, Docker Compose, scripts utilitaires.
• Cas d’usage maritime concret : ETA, fuel, congestion, vision.

• Remplacer les mocks AI par un vrai modèle (TensorFlow/PyTorch).
• Ajouter du monitoring (Grafana/Prometheus).
• Déploiement cloud (Kubernetes ou équivalent).

Projet conçu comme preuve de compétences full-stack AI engineer (2025).