Amin Ghrab

Data Chapter Lead & Architecte Solution ● Architecturé une plateforme RAG :microservices découplés, vectorisation isolée par workspace (Elasticsearch), routage API via BFF, contrôle d'accès RBAC (Keycloak), recherche sémantique vectorielle sur sources locales et web, et couche d'inférence model-agnostic avec bascule entre OpenAI (cloud) et déploiements on-premise (vLLM). ● Intervenu comme référent technique en contexte commercial : réunions presales, réponses à appels d'offres et rédaction de propositions techniques. ● Défini la roadmap et les priorités technologiques du chapter data (sujets comme platforme data propulsé par IA) — animation des sessions de montée en compétence sur les plateformes data et l'IA. ● Contribué à la stratégie de visibilité du cabinet : white papers, blog posts et prises de parole en conférence. Tech stack: GCP, FastAPI, Kubernetes, Airflow, PostgreSQL, ELK, Draw.io, ClickHouse, Neo4j, dbt, vLLM, ElasticSearch

Programme de transformation Data — Groupe de financement d'équipements, 20 pays (domaines métier, risque, réglementaire) ● Cartographié le paysage data existant (Data Hub, Data Lab, Apps, BI) : gaps d'intégration, pipelines absents et dettes techniques identifiés — traduits en feuille de route incrémentale pour sécuriser la migration sans rupture. ● Conçu l'architecture cible bout en bout : modèle d'intégration, contrats d'API, composants plateforme, sizing cloud et exigences non-fonctionnelles (résilience, performance, sécurité, observabilité) — livrée sous forme de DAT validés en comité. ● Conduit la sélection des briques plateforme par l'évaluation avec PoC, e.g., cadrage de la sélection et suivi du déploiement de dataiku en production avec intégration complète dans le SI groupe. ● Industrialisé les environnements de dev à la prod : pipelines CI/CD (Jenkins) couvrant les jobs data et les applications software, avec pratiques DataOps structurées — monitoring infra et pipelines (Sysdig, Dynatrace), alerting, gestion des incidents et observabilité (Kibana). ● Défini et appliqué le dispositif de sécurité : tests de sécurité, gestion de l'obsolescence, traçabilité fine des accès et des droits — aligné sur les standards groupe et les exigences réglementaires multi-pays. ● Construit les plans de continuité opérationnelle avec les équipes spécialisées : stratégies de bascule, backup, restore et reprise sur incident — runbooks rédigés, SLA définis et maintenus en production. ● Piloté le programme en tant que Lead : cadrage du scope, définition des milestones, gestion des backlogs, animation agile (Scrum Master) — coordination des data engineers et développeurs, interface transverse prod/sécurité/continuité/métier, reporting au sponsor. ● Accompagné les équipes après mise en production : encadrement à l'usage, debugging, arbitrage technique des incidents et ajustements d'architecture selon les retours du terrain. ● Livré des cas d'usage en production : ciblage commercial (~30 flux, prédictions ML via data product vers Client 360) et renouvellement commercial (~20 tables legacy migrées, dashboards Power BI). ● Présenté les décisions d'architecture aux comités groupe et aux parties prenantes métier dans plusieurs pays — livrables maintenus tout au long du programme (DAT, ADR, cartographies, schémas Archi/Draw.io). Tech stack: IBM Cloud, Dataiku, Kubernetes, Spark, Power BI, Starburst, Apigee, xDi, CFT, HVault, WebSSO, PostgreSQL, Terraform, COS, Dynatrace, Archi, Visio

— Migration cloud et industrialisation d'une plateforme data cross-métiers ● Cadré l'architecture cible avec la DSI, le data office et les équipes métier — périmètre couvrant assets, projets, marché et opérations, choix structurants arbitrés et documentés dès la conception. ● Conduit la sélection et le déploiement de Domino Data Lab en production : évaluation, PoC, intégration SI groupe — environnements industrialisés via CI/CD (Jenkins, GitLab) couvrant les jobs data et les workloads Domino. ● Modélisé et conçu les flux de bout en bout : ingestion, couches raw et gold, transformations, data products exposés via API — interfaces stables et découplées exposés aux dashboards BI et les applications opérationnelles. ● Fiabilisé l'exploitation des pipelines dès la conception : orchestration (Airflow, Talend), monitoring et alerting (Dynatrace, ELK/Kibana), gestion des incidents data et suivi de la qualité en production. ● Ancré gouvernance et conformité dans l'architecture : lignage, contrôle des accès, anonymisation et privacy by design — co-construit avec les data stewards et les architectes data dans le respect du RGPD. ● Intégré gouvernance et conformité RGPD comme contraintes d'architecture dès la conception : lignage, contrôle des accès, anonymisation, privacy by design — en collaboration avec les data stewards. ● Piloté le delivery et coordonné les équipes data et software : cadrage, backlogs, animation agile, reporting au sponsor, interface avec les équipes prod, sécurité et métier. ● Produit les livrables d'architecture (cartographie, DAT, ADR) et animé les ateliers d'alignement avec les équipes techniques et le data office. Tech stack: IBM Cloud, Domino, Dataiku, Kubernetes, Talend, Airflow, Apigee, PostgreSQL, Tableau, CFT, ELK, Dynatrace, Visio

Cabinet de conseil — clients internationaux, services financiers et secteurs réglementés ● Développé le pôle de 6 à 30+ ingénieurs en trois ans, avec 4 comptes clients actifs. Pilotage commercial et partenariats, en restant référant architecte sur les programmes R&D. ● Piloté des programmes pluriannuels : modernisation de plateforme de paiement et construction de plateformes data d'entreprise. Responsable de l'architecture, de la qualité de delivery et de la relation client. ● Garanti la qualité des décisions d'architecture sur l'ensemble des missions, du cadrage jusqu'à la réalisation.

Trois programmes de recherche successifs : big data, machine learning, graph analytics ● Conduit trois programmes de recherche de bout en bout — big data, ML (AutoML, ML multimodal, GAN) et graph analytics. Chaque programme a livré un framework ou MVP exploité dans des projets clients. ● Conçu des architectures microservices event-driven et des pipelines temps réel (Kafka, Spark Streaming) pour des cas d'usage de détection de fraude et d'analyse opérationnelle. ● Construit des knowledge graphs pour des cas d'usage de détection de fraude et Customer 360 (Neo4j, Linkurious). ● Évalué des outils émergents IA et big data ; formulé des recommandations d'adoption pour les équipes internes et les clients. ● Rédigé 10+ publications évaluées par les pairs ; présenté dans des conférences internationales. Tech stack: Python, Spark, Hadoop, Java, Neo4j, Kubernetes, Java SpringBoot, Linkurious, Kafka, Kong, Cassandra