Moad Hadmen

• Conception d’une architecture médaillon bronze/silver/gold pour ingérer et structurer 2 700 rapports d’essais véhicules afin de rapprocher les données d’essais physiques et de simulation.

• Définition et prototypage d’un data model métier en JSON Schema pour standardiser la représentation des procédures, cas de test, scénarios, résultats et données d’exécution.

• Développement d’un POC applicatif data model-driven avec FastAPI et Streamlit, intégrant validation de schéma, workflow métier, saisie de résultats et structuration des données d’essais.

• Détection d’hétérogénéités entre essais via similarité cosinus sur signatures de fichiers, avec visualisation interactive en treemap pour explorer la hiérarchie d’un SharePoint non structuré.

• Mise en place d’un pipeline de rapprochement pour recréer les liens entre un référentiel de tests et les fichiers de données brutes associés (CSV, PDF, HTML, photos). Le matching sémantique est réalisé via Gemini 2.5 Pro sur Vertex AI, avec sortie JSON structurée, score de confiance et justification par fichier.

• Stack : Python (pandas, BeautifulSoup, Pydantic, asyncio, RapidFuzz, scikit-learn, FastAPI), GCP (Vertex AI, GCS, Workbench, BigQuery), Microsoft (Copilot Studio, Power Automate), GitLab, Git.

Conception de workflows ELT sur BigQuery et Cloud Functions pour fiabiliser les données de la supply chain.

• Développement de modèles SQL et de dashboards Looker Studio pour le suivi des stocks et l’aide à la décision S&OP.

• Intégration de scripts Python et d’APIs Google Sheets pour automatiser la collecte et la mise à jour des données.

• Stack : BigQuery, Cloud Functions, SQL, Python, Looker Studio, Google Sheets API