Description

Qui suis-je ?

Passionné par l’univers de la Data, je combine une forte capacité d’apprentissage et d’adaptation avec une communication technique claire. Autonome et rigoureux, j’explore les architectures de solutions pour en comprendre les mécanismes et proposer des améliorations concrètes.

Doté d’un esprit analytique et orienté résolution de problèmes, je m’investis dans chaque projet avec confiance et transparence, en cherchant à perfectionner mes compétences et à élargir mon expertise.

Engagé et créatif, je sais analyser des systèmes complexes ou obsolètes, m’y adapter et concevoir des solutions innovantes et pertinentes. Mon parcours m’a conduit vers des rôles transverses, à la frontière entre conception d’architectures et mise en œuvre technique (Data, ETL, MLOps, Cloud), avec pour objectif de rendre les environnements plus fluides, industrialisés et standardisés.

Domaines d’Expertise

Architecture et industrialisation de plateformes Big Data / Cloud / MLOps
Optimisation des workflows ETL / Spark / Python
Conception et gouvernance de Data Lake / Data Warehouse
Orchestration et automatisation des pipelines (Airflow, Azure Data Factory)
Supervision, monitoring et performance des plateformes data
Intégration multi-sources et contrôle de qualité des données
Migration On-Prem → Cloud et transition technologique (Kubernetes / Openshift / Terraform)
Reverse engineering & architecture legacy (audit, documentation et modernisation de systèmes existants)
Documentation technique (DAT) des architectures de plateformes et systèmes

Languages

French
Native or bilingual
Arabic
Native or bilingual
English
Fluent

Workplace preferences

Can work on-site

Paris (up to 50km)

Groupama
Data Technical Architect (AI)
BANKING AND INSURANCE
January 2024 - September 2025 (1 year and 8 months)
Paris, France
Contexte
Au sein de l’IA Factory, accompagnement des équipes dans la refonte de la plateforme d’industrialisation Machine Learning et la transition vers une plateforme MLOps standardisée, conforme aux standards d’architecture et de sécurité. Conception d’un écosystème IA scalable, sécurisé et maintenable, capable de supporter de nouveaux cas d’usage (ML et LLM).
Actions / Projets
Analyse & standardisation plateforme ML : étude de l’existant (OpenShift on-premise) et préparation de la standardisation, en conformité avec les standards d’architecture et de sécurité.
Optimisation workflows Python : amélioration des performances et de la gestion mémoire des DataFrames pour renforcer la scalabilité des workloads ML.
Conception nouvelle plateforme IA (Azure) : définition d’une plateforme unifiée adaptée aux workloads ML/LLM, visant le niveau 2 de maturité MLOps et conforme aux standards du groupe.
Documentation & accompagnement : rédaction des dossiers d’architecture (DAT), capitalisation technique sur Confluence et support des équipes Data, ML Engineering et Ops.
Résultats
Montée en compétence rapide sur Azure (portail, Data Factory, Terraform), avec contribution directe à la mise en place du socle cloud et à l’industrialisation des pipelines.
Environnement technique
Openshift 4 (Kubernetes), OpCon, Oracle RAC, Python 3x, Terraforme, Could Azure, azure DataFactory,
Openshift 4 (Kubernetes) Azure DataFactory Python 3x Oracle Terraform
Groupama
Data Technical Architect (BigData)
BANKING AND INSURANCE
December 2021 - December 2023 (2 years)
Paris, France
Contexte
Participation à la refonte de la plateforme Big Data (Hadoop/BDA) et accompagnement de la transition vers une architecture orientée événements (Kafka, Spark), afin de renforcer la modularité, la scalabilité et la gouvernance des données. Rédaction du Document d’Architecture Technique (DAT) et optimisation des patterns existants pour améliorer les traitements et soutenir la montée en compétence de l’équipe.

Actions/Projets
Optimisation Spark/Mesos : audit du code Scala, analyse des performances, exploitation des fonctionnalités natives, optimisation du parallélisme et migration vers un mode cluster pour éliminer le SPOF.
Migration Mesos → Kubernetes (OpenShift) : étude de faisabilité, pilote technique, préparation des images Docker Spark, déploiement du Spark Operator, configuration des volumes NFS/SSD, mise en place du Spark History Server et exposition UI via Routes OpenShift, avec analyse d’impact et évaluation macro coûts/calendrier.
Documentation & accompagnement : rédaction du DAT, capitalisation technique sur Confluence (schémas, diagrammes), transmission des connaissances et accompagnement des équipes Data Engineering & Ops dans la montée en compétence.
Résultats
Adaptation rapide à l’environnement Spark/Mesos et MongoDB, avec optimisation des traitements et prise de rôle de référent technique/architecte pour accompagner l’équipe et renforcer la performance de la plateforme.

Environnement technique
Linux Redhat, Spark 3.2 (structured streaming), Kafka confluent, MongoDB 4.2, Mesos 1.9, Oracle DB, Ansible, OpCon, Oracle BDA Bigdata Appliance (Cloudera), Openshift 4 (Kubernetes).
OpenShift Spark Mesos MongoDB Apache Kafka
Leboncoin
BI Data Engineer
E-COMMERCE
March 2021 - December 2021 (9 months)
Paris, France
Contexte
Mission de maintenance évolutive d’une plateforme dockerisée sur AWS (S3, Athena, Redshift, RDS, EC2). Mise en oeuvre de pipelines BI de l’intégration des données à leur visualisation, orchestrés avec Airflow et développés en Python, SQL et Java (Spark). Déploiements automatisés via Ansible et provisionnements avec Terraform.
Actions
upport aux utilisateurs et prise en charge des demandes ad hoc priorisées.
Recueil et analyse des besoins métiers en collaboration avec les équipes Produit.
Conception et développement de pipelines ETL complexes pour une circulation optimale des données.
Modélisation SQL dans un environnement Data Warehouse et création de KPIs métiers via des requêtes avancées.
Orchestration et automatisation des traitements via Airflow (DAG).
Intégration de données issues de différentes sources, notamment Kafka et bases de données internes.
Archivage des topics Kafka vers S3 pour élargir le périmètre d’analyse et améliorer la disponibilité des données.
Résultats
Adaptation rapide au contexte de travail et à un environnement technique basé sur Shell scripting et Python, ce qui m’a permis de développer une forte autonomie et d’apporter une contribution efficace aux projets.

Environnement technique
Ubuntu 20.04.2 LTS, Postgresql, AWS (S3, Athena, Redshift), SQL window function, Airflow, Pyhton, Spark (Java), Git, Github, Docker, Kubernetes, JupytherHub, Ansible, Terraform, Travis CI/CD
Ansible Terraform Pyhton Memory optimisation Apache Airflow SQL Analytics