Paul Blondel

En tant que consultant freelance, je travaille pour différents clients sur la partie Data Engineering et propose des services pour :

• La mise en place de pipeline de traitement de données

• La recherche de source, la collecte et le nettoyage de source

• La mise en place de plateforme data dans le cloud,

• Le Data Ops

• L'exploration de données et le calcul de KPIs

• Etc

Voir ma fiche de description pour plus de détails.

Contexte technique : Python, Pandas, SQL, AWS, Dagster, Terraform, FastAPI, Airflow, Kubernetes, Redshift, CI/CD, OpenCV, GCP, AWS RDS, Data Engineering, Data Science, Pandas, Linux, PostgresSQL, ElasticSearch, OpenSearch, API REST, Docker, AWS ECS, TensorFlow, Script Shell, Amazon RDS, NoSQL, Spark, PySpark, Hadoop, Java

IXIAN.AI est ma société de consulting, dans le cadre de cette société j'ai eu plusieurs clients payés à la mission comme Promamec, Investimeo, etc.

Au sein de l'équipe Hyperplan, j'ai fait partie des deux premiers employés recrutés pour travailler sur la plateforme SaaS de l'entreprise. Hyperplan est une start-up spécialisée dans la prédiction de rendement agricole pour faciliter et optimiser la logistique des collectivités agricoles. Hyperplan se base sur l'utilisation d'une grande quantité d'images satellites pour parvenir à prédire le rendement.

En tant que Head of Software and ML Engineering, j'ai travaillé sur un grand nombre de problématiques de data engineering, l'infrastructure, la première version de l'API et du MPOps.

Pendant la période où j'ai rejoint l'entreprise, l'équipe est passée de 5 à 25 employés en 2 ans. Hyperplan compte parmi ses clients des grands noms tels qu'Axereal, Corteva, Bayer, Vivescia, etc. Hyperplan a levé 4,1 millions d'euros en 2023 et réalisait 1 million d'ARR courant 2023.

Au sein d'Hyperplan, j'étais en charge de :

• La mise en place des premiers processus de développement avec le Head of UI/UX.

• La mise en place de la première version de l'API et de son amélioration.

• La mise en place du déploiement de modèles d'apprentissage.

• La mise en place et l'amélioration de pipelines de traitement des données.

• La mise en place de toute la CI/CD.

• La mise en place de toute l'infrastructure sur AWS et sa transcription en IaC.

• L'encadrement technique et la montée en compétences de 5 nouveaux développeurs backend et data engineers.

Contexte technique : Dagster, Python, FastAPI, AWS, CI/CD, Terraform, Airflow, API REST, Pandas, Docker, SQL, PostgresSQL, Mlflow, MlOps, IaC, ElasticSearch,

Seaborn, Jupyter, Matplotlib, Redshift, Kubernetes, Postgis, Opensearch, AWS ECS

Lien de la plateforme : www.hyperplan.fr

En tant que consultant freelance, j'ai travaillé pour différents clients pour la réalisation de Proof of Concepts, du conseil technologique, de la mise en place de solutions logicielles et de la formation.

Parmi ces expériences, mes deux plus grosses missions ont été réalisées chez :

1) Natixis

Natixis est un établissement financier français qui a été créé en 2006 et est présent dans 40 pays. Natixis compte plus de 13 000 employés et génère un chiffre d'affaires de plus de 7 milliards d'euros.

Au sein du laboratoire de data science de Natixis, j'ai travaillé sur une Proof of Concept dont le but était de prouver la faisabilité d'un algorithme de prédiction de déclassement d'entreprises par Standard & Poor's et Moody's, basé sur l'actualité récente de celles-ci et la détection de signaux faibles pouvant annoncer un déclassement prochain.

Lors de cette mission, j'ai notamment :

• Participé à la recherche de sources.

• Collecté, traité et trié les données pour préparer l'apprentissage et les tests.

• Testé diverses approches de prédiction.

• Implémenté différentes approches de feature engineering pour améliorer la prédiction.

Contexte technique : Python, Pandas, NLP, Sklearn, Linux, BeautifulSoup, SQL, Data Engeneering, Data Science, Exploration des données, Nettoyage des données, Script Shells, Notebooks, CRON

2) Shanghai Solar Panel Inspection, Ltd.

Au sein d'une jeune pousse spécialisée dans l'inspection des panneaux solaires produits en usine, j'ai contribué à développer une approche pour détecter les cellules de panneaux solaires qui sont inefficaces et nécessitent un remplacement. Le remplacement de ces cellules inefficaces permet d'améliorer considérablement les performances de rendement.

L'algorithme de détections de cellules dysfonctionnelles a été intégré aux lignes de productions de certains clients et permis d'augmenter la détection du nombre de panneaux dysfonctionnels (chiffre non connu).

Contexte technique : Python, Notebooks, Tensorflow