Jonathan Odul

Leadership et impact organisationnel

Management & Alignement : Direction d'une équipe bilingue (6 ingénieurs + prestataires offshore) responsable d'une plateforme sécurisant 100 000+ appareils (iOS, Android, Windows). Point de contact central (Produit, QA, Support, Direction).

Gestion de crise : Résolution d'un incident critique (530 appareils bloqués) avec RCA et correctif déployé en <3h (un vendredi soir). Création du modèle de post-mortem devenu le standard de l'entreprise.

Delivery & RH : Pilotage des releases mensuelles (backend/admin) avec contrôles stricts des migrations. Recrutement, coaching (1:1), évaluations et gestion de la performance de l'équipe.

Partenariats : Obtention du statut Google Android Enterprise Silver. Représentant unique à l'Android Partner Day APAC 2025 (Bangkok) ; génération d'opportunités commerciales avec Google Tokyo.

Stratégie IA : Pilotage de l'adoption de l'IA (~30 personnes) : budget, formations (EN/JP), chartes d'usage, et création d'un framework de tests de régression Android par IA (avec garde-fous production).

Envergure technique et delivery (hands-on)

Développement critique : Résolution de race conditions à l'enrôlement (Django), politiques Wi-Fi/anti-reset (Android), durcissement du mode Kiosque (Android 13-16).

Scalabilité : Déploiement sécurisé de 100k+ appareils (jusqu'à 5 000/h), optimisation de la passerelle push à 1 000/min (AWS Kinesis, déduplication DynamoDB).

DevOps & CI/CD : Pipeline AWS CodePipeline (déploiements Elastic Beanstalk), sécurité IAM (moindre privilège), migrations Django en un clic via AWS SSM.

Qualité & Modernisation : Montées de version Python 3.12 et Django 5.2 LTS. Amélioration de la couverture de tests de 89 % à 91 % (+500 tests).

Intégrations Grands Comptes : Microsoft Intune, Apple VPP/ABM et DDM, enrôlement de masse (QR, Zero-touch), gestion de politiques à très grande échelle (jusqu'à 40 000 appareils).

J'ai mené la réalisation de Xloudia, une plateforme de reconnaissance d'images/vidéos par points-clés avec réalité augmentée (vision par ordinateur classique, avant le deep learning) : mise en correspondance des flux caméra en direct avec une base d'images pré-enregistrées, en la répartissant (sharding) sur un pool de workers scalé horizontalement et en renvoyant au premier match, de sorte que l'ajout de nœuds réduisait la latence de reconnaissance ; des milliers de requêtes par jour servies sur AWS.

J'ai construit des installations interactives de vision par ordinateur (reconnaissance faciale, suivi du corps et des membres) avec Unity, C#, C++ et OpenCV.

• • Co-auteur de la publication à comité de lecture « Neuron Analyzer Suite », améliorant la détection automatisée de neurones aujourd'hui utilisée par des laboratoires japonais de sciences du vivant.