Amir ABBES

Conception et pilotage de l'architecture Microsoft Fabric à l'échelle entreprise (environnements), avec mise en œuvre de solutions Data, temps réel et IA scalables, sécurisées et optimisées en coûts, alignées sur les standards de groupe. – Engagement stratégique Microsoft : proposition et pilotage de l'intégration au programme Microsoft ISV Success en collaboration avec le CTO. – Définition de la roadmap Data Platform en collaboration avec le CTO, le Product Owner et les parties prenantes métier, avec participation aux décisions d'architecture structurantes. – Encadrement technique de l'équipe Data: participation au recrutement, animation d'ateliers techniques et mentorat de l'équipe Principaux Data & AI Products & Transformations Livrés – Audit technique et FinOps d'un POC Databricks existant, basé sur le framework Azure Well-Architected afin d'évaluer performance, FinOps et scalabilité – Modernisation & Migration BI : refonte complète d'un environnement MSBI legacy vers une architecture BI moderne basée sur Microsoft Fabric et Power BI. – Plateforme d'intelligence opérationnelle temps réel : transformation d'une architecture legacy basée sur AKS, C# et RabbitMQ vers une architecture streaming Azure IoT Hub et Microsoft Fabric RTI. – Data Product Inventory : conception d'une solution d'intégration multi-CRM vers Microsoft Fabric et Power BI via un framework d'ingestion metadata-driven – Conception d'Architecture multi-tenant sécurisée avec isolation stricte des environnements et des accès. – Conception d'une architecture de Data Agents sous Azure AI Foundry intégrant agents LLM spécialisés, patterns RAG et logique de routage des requêtes – FinOps: Mise en place d'un Framework de monitoring FinOps sur Microsoft Fabric / Azure. – IA & Data: Conception d'une architecture de Data Agents sous Azure AI Foundry, intégrant des agents LLM spécialisés par domaine avec patterns RAG et logique de routage des requêtes. – Gouvernance: Implémentation d'Azure Purview pour le suivi de la lignée des données, la gouvernance des métadonnées et la conformité RGPD. – Conception d'un Framework d'ingestion piloté par métadonnées pour l'intégration multi-sources incluant gestion des schémas évolutifs et forte réutilisabilité. – DevOps: Développement d'un framework d'automatisation d'infrastructure multi-tenant basé sur Azure DevOps, Fabric CLI, Azure CLI, Terraform, Service Principals, Managed Identities et Fabric REST APIs.

Participation à la construction d'une Data Platform GCP dédiée aux matières premières durables, permettant le suivi mondial des fournisseurs via des reportings data fiables pour les équipes Sustainability & Procurement. – GCP: Conception et exploitation de traitements data en s'appuyant sur BigQuery, Cloud Storage et Dataflow. – Intégration des données : Mise en place de flux quasi temps réel via Pub/Sub et Dataflow pour l'ingestion et la normalisation des données fournisseurs, avec stockage intermédiaire dans Cloud Storage. – Data Modeling : Développement de modèles de données analytiques avec DBT sur BigQuery, structurés selon une approche Medallion. – Data Quality & Observability : Implémentation de règles de qualité de données et de monitoring des pipelines afin de garantir la fiabilité des reportings Sustainability. – CI/CD & DataOps : Automatisation du déploiement des pipelines data et modèles DBT via CI/CD (Git), assurant traçabilité, reproductibilité et sécurisation des mises en production sur GCP. – Reporting Métier Sustainability & Suppliers : Alimentation de jeux de données analytiques permettant le suivi de la performance et de la conformité des fournisseurs de matières premières à l'échelle mondiale.

Contribution à la construction de solutions data pour les divisions Manufacturing et B2C, dans un environnement Big Data traitant plus de 300 millions d'événements télémétriques industriels par jour provenant des systèmes de contrôle qualité des usines européennes. – Plateforme d'analytics temps réel : conception et développement d'une architecture streaming basée sur Kafka, Databricks et ADLS, permettant le suivi en temps réel des KPIs qualité des usines et réduisant de 20 % les arrêts de ligne. – Architecture Lakehouse : mise en place d'une architecture Médaillon (Bronze / Silver / Gold) sur Databricks et Delta Lake, avec calcul des KPIs dans la couche Gold et exposition gouvernée via Unity Catalog dans une approche Data Mesh. – Pipelines data distribués : développement de pipelines Spark / PySpark pour l'ingestion, la transformation et l'agrégation de données industrielles à grande échelle. – Industrialisation DevOps : mise en place de pipelines CI/CD Azure DevOps pour l'automatisation des déploiements Databricks et data pipelines, avec gestion d'infrastructure via Terraform et PowerShell. – Détection d'anomalies temps réel : conception d'un système de détection d'anomalies pour les machines de production via MLflow, permettant une détection précoce des dérives et une réduction des arrêts industriels. – Modélisation prédictive : développement de modèles de prédiction du rendement et du taux de rebut basés sur Feature Store et MLflow, améliorant l'OEE et réduisant les déchets de production. – Leadership technique : référent technique et mentorat des Business Analysts sur Power BI et Power Apps pour l'industrialisation des usages analytiques.

System Intelligent de gestion d'Incidents & Automatisation Modernisation de l'Analytics RH (Azure BI Moderne) – Migration d'un environnement MSBI vers une architecture BI modern Azure Data Factory, Databricks et PBI. – Intégration de données : Développement des pipelines ADF et Databricks pour l'ingestion et la transformation de données CRM et API vers ADLS, assurant fiabilité, qualité et traçabilité des flux. – Architecture Médaillon : Mise en place architecture Médaillon structurée (Bronze / Silver / Gold) pour la gestion d'incidents, améliorant gouvernance, qualité des données et performance des analyses. – MLOps: Industrialisation d'un modèle de classification via MLflow (tracking, registry et déploiement), réduisant de 25 % le temps moyen de résolution grâce à une automatisation contrôlée et traçable. – Monitoring: suivi des métriques modèles et détection de data drift via dashboards Grafana en prod.