Description

Ingénieur spécialisé en Data Science et Intelligence Artificielle, consultant Data polyvalent maitrisant les principes et les technologies de Data Engineering, Data Science et ML Engineering.

Rigoureux et autonome, et grande capacité d’adaptation combinée à une volonté permanente d’acquérir de nouvelles connaissances.

Industry field of expertise

Languages

French
Native or bilingual
English
Fluent

Workplace preferences

Can work on-site

Paris (up to 50km)

EssilorLuxotica
Teck lead
September 2023 - September 2024 (1 year)
Mise en place d’une solution de détection de panne machine
Contexte: Production de verres défectueux dans les lab à cause d’une dégradation des
outils machines. Chaque machine produit des fichiers que nous analyserons.
Compréhension et évaluation des besoins métiers
- collecte de la data en temps réel
- construction d’un datalake
- mise à disposition de prédiction au maximum 5 min après la réception d’un fichier.
Mise en place de l’architecture afin de traiter des fichiers en temps réel
- Réception dans un Blob Storage de fichiers csv
- Réception dans un Blob Storage de fichiers non structurer au format txt
- Traitement des fichiers avec AutoLoader Databrick + workflow
- Mise à disposition de la donnée dans des table delta dans databricks
Solution de prédiction en temps réel :
-Service qui se déclenche à la réception d’un fichier machine
-Le fichier contient un mapping d’intensité que nous allons traiter comme une image.
-Benchmark du modèle Deep Learning pour traiter des images (10 couches)
-Déploiement du modèle Deep Learning sur Unity Catalog
-Envoi des prédictions dans Azure Service Bus
EssilorLuxotica
Teck lead at
January 2023 - September 2023 (8 months)
Mise en place d'un outil ML d'aide à l'attribution desjours d'absence
Contexte: Le service client est sollicité plusfortement durant certaines périodes. Les Managers n'ont pas assez de visibilité pour prendre des décisions concernant le management de leurs équipes. IRMA est unprojet qui met à disposition des prédictions sur le nombre d'appels entrant et sortant sur les prochaines semaines.
Compréhension et évaluation des besoins métiers

• Extraction de fichiers dans un serveur FTP au format CSV
• Extraction de donnée au format JSON (requête API)
• Archivage des fichiers dans des tables delta
• Mise à disposition des prédictions 1 fois par semaines (le Dimanche)
• Durée de la prédiction 2 mois
• livraison dans un fichier au format CSV
Extraction et Archivage

• Schedule workflow Azure Data Factory tout les matin à 2h
• Algorithme python d'extraction dans un serveur FTP -Algorithme python de requête API, puis lecture d'un JSON -Archivage des données dans des tables delta
Prédiction

• Multi hop architecture avec la préparation des features dans des delta tables Silver dans Databricks
• Mise en place d'un Workflow ETL dans Databricks schedule le Dimanche uniquement pour la livraison de la prediction
• Evaluation des métriques (MSE) pour un éventuel réentrainement si le modèle dérive, (cycle de vie des modèles via MLflow).
• Prédiction dans des tables Gold
• Livraison des prédictions dans un blob storage dans Azure
Qaltom
Data Engineer / Développeur Python
ENERGY AND UTILITIES
October 2021 - January 2023 (1 year and 3 months)
Paris, France
Développement d’une borne de recharge pour voiture électrique
Collecte d’informations en temps réel à l’aide d’une API Django puis chargement de données dans S3
-Donnée au format json sur l’heure de recharge
-Donnée au format json sur la durée de recharge
-Donnée au format json sur des warnings et des erreurs système
Kubernetes pour les microservices Backend - Découpage de l’application en plusieurs micro service afin de pouvoir scale plus facilement certains services qui seront plus demandés.
- Développement du service de scheduling de la recharge
- Développement du service de rapport de recharge énergie/coût
Extraction, Transformation puis Loading via PySpark dans RDS et DynamoDB
- Extraction de la donnée au format json depuis le blob storage
- Transformation de la donnée pour la lié au coût du KW en temps réel
- Load dans DynamoDB pour les warnings client (si il dépasse les côut estimer parleur recharge)
- Load dans RDS des informations clients comme la durée de recharge par mois