Erwan D.

Curieux et tenace : j’adore creuser loin dans le code, remonter les chaînes d’appels, fouiller la doc et les issues, et traquer la micro-optimisation qui change tout. On me mandate pour simplifier, stabiliser et accélérer des plateformes data existantes — et laisser l’équipe avec des outils compréhensibles et durables.

Expérience

Actif depuis 2019, j’ai évolué entre back-end temps réel, data pipelines lourds et rendu/traitement haute performance. Succès typiques : remettre d’équerre des collectors et jobs batch, lever les goulots (partitionnement, compaction, skew, mémoire), fiabiliser du streaming et industrialiser sur Kubernetes (images propres, CI/CD, secrets, stockage). Je navigue bien entre diagnostic et mise en production, avec un vrai soin de la lisibilité, des tests et de l’observabilité.

Compétences clés

• Data engineering : Spark (batch / Structured Streaming), Kafka, Hive/Parquet, Iceberg/Delta, S3/MinIO

• Langages : Scala, Java, (Python en appui)

• Plateforme : Kubernetes / Spark Operator, Docker, CI/CD (GitLab/GitHub), Grafana/Prometheus/ELK, Argo Workflow, Helm

Open-source & projets perso

Je contribue et publie régulièrement : développement d’un connecteur InfluxDB pour Trino, contributions à Argo Workflows. Pour m’émanciper techniquement, je développe aussi des apps Flutter (lecteur de news dopé à l’IA générative).

Côté R&D perso : ray tracer en Scala, algos de compression, interpréteur/VM en Scala Native, binding OpenCL en Java, moteur 3D C++/OpenGL (GitHub : k3rnL). Ces projets nourrissent mon approche de la performance, des algorithmes et de l’architecture bas niveau.