Abdenacer KERAGHEL

Refonte de l’architecture data pour soutenir la croissance internationale d’un acteur clé de la data dans le secteur du pneumatique. 🎯 Objectifs de la mission : • Absorber une forte montée en charge liée à l’explosion des données collectées • Concevoir une architecture scalable et fiable (data warehouse, data lake, data lakehouse) • Réduire les coûts cloud par une approche FinOps structurée 🚀 Réalisations clés : • Création d’un moteur de matching scalable, fondé sur des règles métier co-définies avec les experts pneumatiques (remplacement d’un moteur Java obsolète) • Mise en œuvre d’une architecture data moderne combinant data lake (S3), data warehouse (Athena) et data lakehouse pour unifier stockage et analyse. • Déploiement d’une stack Big Data performante : Spark, Kafka/MSK, EMR, EKS • Orchestration avancée des pipelines avec Apache Airflow : fiabilité, monitoring temps réel, automatisation • Mise en place de dashboards (Apache Superset) pour une observabilité proactive et des décisions plus rapides • Adoption de bonnes pratiques DevOps : CI/CD avec GitLab, Terraform, tests automatisés 📈 Résultats business concrets : •💰 Réduction de ~40 % des coûts cloud AWS via FinOps (optimisation des ressources, monitoring, alerting) •⚡ Time-to-market accéléré : 1 jour pour intégrer une nouvelle ligne produit dans les workflows •🛡️ Stabilité renforcée : seulement 2 incidents critiques en 2024 sur des volumes massifs •🌍 Contribution active à la veille technologique et à l’adoption d’un socle data robuste pour l’international 🧰 Stack technique : Scala, Python, Spark, Kafka, Iceberg, Airflow, AWS (EMR, Glue, S3, Athena, EKS, Lambda), Terraform, GitLab CI/CD, Superset, Data Warehouse, Data Lake, Data Lakehouse 📅 Méthodologie : Scrum 🧩

NLP, Reconnaissance d'entité nommée (NER). Génération de données. Deux Publications scientifique (IJCNN et EGC)