amine amarzouk

Contexte : Lead Data Engineer sur la data plateforme GCP/BigQuery du groupe URW. Pilotage d'équipe data engineering et conduite d'initiatives d'innovation, notamment l'implémentation de dbt en réponse aux besoins métier identifiés. Missions : - Pilotage et coordination de l'équipe data engineering en méthodologie agile - Gestion de la plateforme data automatisée GCP - Développement de stored procedures (sprocs) sur la data plateforme BigQuery - Intégration d'UDF (User Defined Functions) SQL dans la data plateforme BigQuery - Traitement et résolution des tickets groupe et besoins infrastructure data - Conception et lead du POC dbt sur use cases métier réels - Collaboration étroite avec les équipes business pour challenger et affiner les besoins - Architecture et modélisation de solutions data sur BigQuery - Accompagnement technique de l'équipe sur les best practices dbt et GCP - Conduite du changement et promotion de l'agilité dans les développements data

Contexte : Collaboration au sein de deux équipes complémentaires sur la plateforme Data de Servier : DataForge (8 Data Engineers), spécialisée dans la création d’enablers pour accélérer et fiabiliser les développements data, et InnoForge, dédiée à l’innovation et à l’automatisation pour renforcer l’efficacité et moderniser la Data Factory. Missions : • Conception et déploiement d'un framework d'ingestion de données (DLT). • Développement et Automatisation de pipelines de données sur GCP. • Modélisation de données sur BigQuery. • Gestion des pipelines CI/CD sur GitLab. • Conception de système Multi-agent avec google ADK et Langchain. • Industrialisation et déploiement des solutions validées. • Monitoring des performances et KPIs via Grafana.

Contexte : Projet stratégique de modernisation de la plateforme Data pour le traitement de données médicales sensibles au sein de l’équipe Data Intelligence (6 développeurs). L’objectif était de fiabiliser, accélérer et industrialiser les traitements à grande échelle, depuis un environnement on-premise Hadoop/Spark vers un environnement cloud managé sur Azure Databricks. Missions : • Conception et optimisation d’un cluster Spark on-premise • Développement de pipelines ETL avec PySpark • Orchestration des pipelines via Airflow • Migration des jobs Spark on-premise vers Databricks • Configuration et optimisation des workflows Databricks • Développement d’APIs REST avec FastAPI sur Azure Functions • Déploiement et monitoring des pipelines sur Azure

Contexte : Conception et industrialisation d’un pipeline de traitement d’images à grande échelle pour les produits mode, afin d’optimiser la performance et la scalabilité du traitement des assets visuels. Missions : - Développement d’un pipeline de traitement d’images distribué sur AWS (EC2, Lambda, SQS, DynamoDB, S3, CloudWatch) via AWS CDK en Python. - Optimisation des performances en parallélisant les traitements Python et en orchestrant les workflows avec AWS Step Functions et AWS Batch, réduisant le temps de traitement par 60. - Mise en place d’un workflow asynchrone et entièrement automatisé incluant CI/CD, tests unitaires et tests d’intégration pour garantir robustesse et fiabilité.