Alexandre Daniel

Facilities Management :

Prise en charge de bout en bout de la refonte d'une application cloud permettant d'optimiser la planification des opérations de maintenance

Définition de l’architecture applicative et logicielle (Airflow – Docker - Databricks – Pyspark – Azure Data Factory)

Définition des stratégies de testing, release, monitoring, alerting et cyber sécurité

Refactoring de l’application (selon les principes du clean code) Versioning (Azure DevOps)

Implémentation de la CI / CD

Orchestration avec Airflow

Mise en production en décembre 2023

 Lutte Contre le Blanchiment et le Financement du Terrorisme (LCB-FT) :

Prise en charge de bout en bout de la création d'une application cloud réglementaire permettant d’identifier les clients à risques

Définition de l’architecture applicative et logicielle (Snowflake – Databricks – Pyspark – Azure Data Factory)

Développement de l’application (selon les principes du clean code)

Versioning (GitLab)

Orchestration avec Azure Data Factory

Monitoring (avec MlFlow et Azure Data Factory)

Mise en production en juin 2022 et documentation

 Classifications des mails :

Objectif : permettre d’orienter les mails entrants dans le CRM (salesforce) vers les bons interlocuteurs

Cadrage du projet avec le service client

Définition des objectifs de performance (90% de fiabilité)

POC à l’aide de Databricks et de HuggingFace

Classification à l’aide d’une régression logistique et du modèle de deeplearning CamemBert (fine tuning de la dernière couche) : fiabilité atteinte sur 17 catégories = 80%

 Architecture MlOps :

Définition et mise en œuvre d’une architecture MlOps basée sur Databricks, Snowflake, MlFlow et Azure

Architecture applicative (phase expérimentale, déploiement et monitoring)

Management de l’implémentation d’un modèle de score de fraude en temps réel du cadrage jusqu'à la mise en production en juin 2023.

 Moteur de défaut Bâle3 :

Application cloud permettant d’identifier les contrats en défaut de paiement

Refactoring du code (norme pep8, évolution vers une architecture logicielle orientée services, clean code)

Mise au point et développement de nouvelles fonctionnalités (gestion de la forbearance, …)

Implémentation des tests (unitaires, régression, …) et du monitoring

Optimisation des temps de traitement (filtrage en amont, mise en cache, .. )

FinOps : Suivi des couts et optimisation (choix des vm les plus adaptés)

Sécurité : analyse statique du code

Mise en production en septembre 2022

Application réglementaire auditée et validée par KPMG

 Migration SAS vers Databricks :

Prise en charge de bout en bout de la création d'une application ETL permettant l’ingestion des tables SAS au format sas7.bdat dans Snowflake via Databricks

Architecture (Snowflake – Databricks – Pyspark – Azure Data Factory)

Développement, versioning, orchestration, monitoring, documentation

Remarque : le schéma de la table SAS est complétement déduit à partir de sa lecture dans Databricks. Les types de données définis dans Snowflake par l’application permettent ensuite une relecture par SAS.

Mise en production en juin 2023

 Librairie :

Conception, développement et mise en production d’une librairie PySpark permettant de faciliter les échanges de données entre Databricks et Snowflake

 Framework :

Conception d’un framework permettant de monter rapidement une application python basée sur PySpark et Snowflake

 Management

• Encadrement d'une équipe de 4 data ingénieurs

• Animation avec la méthode Scrum (sprint, rituels agiles, …)

• Monté en compétence de l’équipe (revue de code, …)

• Gestion de la backlog : projets, évolution, maintenance, planning

• Suivi et optimisation des couts (Databricks, Snowflake)

• Veille technique

 Classification de documents :

utilisation d'un réseau de neurones à convolution profond (InceptionV3) pour distinguer 3 documents administratifs (avis d’imposition page1, 2&3, relevé CPAM)

Résultats : précision de 97%

 Détection de la fraude à l’incapacité de travail :

Cadrage du projet, modélisation (combinaison de deux modèles : RandomForest et Gradient Boosted Tree), mise en production (MLflow, Azure Databricks)

Définition des KPI et suivi de l’algorithme en production (carte de contrôle)

Résultats : précision de 72%, indu estimé de 7,6 M€

 Création d’un ‘Feature Store’ (entrepôt de variables pour les data scientist) :

Cadrage du besoin, architecture de la solution

Mise en œuvre et déploiement sous forme d’un package Python avec Pyspark et le Framework ‘Feature Factory’ du Databricks lab.