Etienne R.

Responsable technique des sujets data, infrastructure cloud Azure et maintenance applicative d'un produit d'IA pour un client assurantiel. Encadrement d'une équipe de 6 personnes.

• Pipelines & data engineering : ingestion, transformation et automatisation des traitements (Azure Data Factory, Microsoft Fabric, Databricks, PySpark) ; refonte et optimisation de requêtes SQL → temps de réponse divisés par 5 en production

• Architecture cloud Azure : conception et optimisation d'architectures microservices, IaC (Terraform), sécurité réseau et scalabilité → éradication des timeouts sur un service critique

• Industrialisation & qualité : CI/CD, revue de code, DBT, gestion des incidents et amélioration continue (Python, NodeJS, Pytest) → réduction de 40% des incidents de production en 6 mois

• FinOps : audit des postes de coûts Azure et rationalisation de la consommation → facture cloud réduite de 30%

• Pilotage : cadrage, chiffrage, priorisation et coordination technique

Ingénieur des données en charge de la collecte, la structuration et l'exploitation des données au sein d’une startup de la recharge de véhicules électriques.

• Pipelines & data engineering : conception de flux d'ingestion (OpenData, API REST) ; structuration et évolution des modèles de données (PostgreSQL, Redis) ; construction et alimentation de KPIs (NodeJS, SQL)

•Industrialisation & qualité : CI/CD (Git, Docker), revue de code, DBT, gestion des incidents et amélioration continue (NodeJS, Pytest)

• Monitoring : mise en place d'un suivi des erreurs en temps réel (RabbitMQ, ElasticSearch, Logstash)

• Machine learning : développement et déploiement en production de modèles de régression supervisée (Airflow, kNN, XGBoost) sur OVH Cloud

• Backend : conception d'API REST et de services (Python, NodeJS), structuration modulaire du code, tests automatisés (JestJS)

Appui à la crise COVID-19 au sein de la direction statistique du ministère.

•Mise en production & qualité des données : automatisation et fiabilisation de chaînes de traitement de données sensibles ; passage de traitements manuels à des pipelines reproductibles et versionnés (Git, bash, CI/CD)

•Data visualisation & outils décisionnels : conception de tableaux de bord de suivi de la crise à destination des décideurs publics (Python, R, R Shiny)