Amine Airoud

Pilotage et industrialisation des solutions data pour les périmètres monétique, investissement bancaire et reporting réglementaire (Commission européenne). Travaux réalisés : Cadrage fonctionnel et rôle de référent technique data (workshops, POCs, coordination équipes métier et techniques) Pilotage et conception d’une Data Platform pour des cas d’usage réglementaires Design et implémentation d’architectures Data Lake / Data Vault / Data Marts scalables Développement de pipelines data end-to-end robustes (Spark, Python, SQL) avec exigences de production (SLA, fiabilité) Mise en place de pratiques Software Engineering : CI/CD (Jenkins, CloudBees), tests automatisés, Quality Gates (SonarQube) garantissant une mise en production 100% fiable pour les rapports réglementaires Implémentation de mécanismes d’observabilité des pipelines (monitoring, alerting, gestion des incidents, amélioration continue) Industrialisation des traitements et standardisation des composants data réutilisables Mise en œuvre de la data governance (data privacy, anonymisation, catalogage Environnement technique : Spark, Python, SQL, Data Lake, Data Vault, Data Marts, Cloudera, Hive, HDFS, Ranger, Atlas, Jenkins, CloudBees, Bitbucket, SonarQube, Control-M, Power BI, Tableau, Dataiku, Alteryx

Projet Gazpar – Valorisation et sécurisation de la chaîne de traitement des données IoT issues de 11 millions de compteurs communicants. Travaux réalisés : Conception et développement de pipelines d’ingestion massive pour l’historisation des trames IoT (protocole Wize 169 MHz) vers un Data Lake AWS Mise en œuvre d'une architecture Compute isolée et scalable utilisant AWS EKS (Fargate) et Lambda pour le parsing et l'agrégation en temps réel des index de consommation Construction de datasets fiables sur S3 pour les besoins de BI et de Data Science Orchestration des pipelines avec Airflow et automatisation complète de l’infrastructure via Terraform (IaC) dans des workflows CI/CD. Optimisation des performances et gestion des volumes importants Utilisation ponctuelle de CloudWatch et la stack ELK pour le monitoring et l’observabilité de la chaîne IoT Environnement technique : Python, SQL, PySpark, Spark, IOT Wize (169 MHz), AWS (S3, EKS Fargate, Lambda, KMS, VPC PrivateLink, IAM), Terraform, Airflow, Jenkins, GitLab, ELK, CloudWatc, Redis, Dataiku

Industrialisation et exploitation d’une plateforme Data AWS dédiée à l’analyse des transactions de vente et d’achat à l’échelle mondiale. Travaux réalisés : Analyse des besoins métiers (ventes, achats, performance économique) Centralisation des données transactionnelles au sein d’un Data Lake S3 Migration et optimisation de traitements Talend vers des pipelines Spark Développement de pipelines Spark/Databricks pour le traitement massifs Mise en place de pipelines automatisés (Lambda, Airflow) et standardisation des traitements Optimisation des performances et gestion de la volumétrie Automatisation des contrôles et des traitements data via AWS Lambda Accès ad-hoc aux données du Data Lake via Amazon Athena Exposition des données via Athena/Redshift pour l’analytics et la BI Documentation technique et fonctionnelle des pipelines et modèles de données Environnement technique : Python, PySpark, SQL, AWS (S3, Lambda, Athena, Redshift), DataBricks, Kafka, Cassandra, CI/CD, Airflow, Jenkins, Git,Github, Jira, Confluence

Industrialisation d’une plateforme de traitement de données pour la détection de défauts et la maintenance prédictive des véhicules avant mise en production, basée sur l’analyse des signaux capteurs (IoT / Bus CAN). Travaux réalisés : Développement de flux d’ingestion IoT pour le décodage et la conversion des trames binaires du Bus CAN vers un Data Lake AWS. Conception de pipelines ETL sous Spark pour le nettoyage, l’agrégation et la structuration de séries temporelles. Préparation de datasets pour le Machine Learning, permettant aux équipes Data Science d'appliquer des modèles de détection d'anomalies. Industrialisation des traitements sur AWS (S3, EMR) pour assurer la scalabilité et la performance face à des volumes de données industriels. Mise en œuvre du cycle CI/CD via Jenkins pour sécuriser l'intégration continue et la fiabilité des processus ETL en production. Contrôle de la qualité et de la cohérence des données capteurs afin de garantir la précision des scores prédictifs fournis aux métiers. Environnement technique : Python, PySpark, Spark SQL, AWS (S3, EMR), Jenkins, Git.