Anis TLILANE

Projet : Détection de la Délinquance Financière (DDF) Dans le cadre d'un programme stratégique de lutte contre la fraude, conception et déploiement d'une plateforme centralisée de détection des risques basée sur Palantir Foundry. La solution couvre plusieurs typologies de risques (LCB-FT, fraude, scoring comportemental) et est déclinée par entité métier. En charge du périmètre Leasing & Factoring, avec une intervention de bout en bout sur la chaîne de valorisation des données : de l'ingestion jusqu'à la génération d'alertes opérationnelles. La plateforme permet d'industrialiser le traitement de données massives, d'améliorer la détection proactive des fraudes et d'optimiser les processus d'investigation grâce à des outils décisionnels avancés. En charge de : – Cadrage des besoins métiers et formalisation des règles de gestion (fraude, scoring, conformité). – Configuration des Agents de collecte de données multi-sources et de transfert des résultats post-détection vers les zones de stockage cibles (formats hétérogènes, forte volumétrie). – Conception et développement de pipelines de traitement : ingestion, parsing, nettoyage, normalisation, déduplication, contrôles qualité, enrichissement et transformation. – Conception du modèle de données orienté métier via le service Ontology, avec définition des entités, des relations et des cardinalités. – Optimisation des objets métiers : amélioration de l'indexation, des performances de requêtagé et de l'accessibilité des données. – Implémentation des variables d'entrée du modèle de scoring de la sécurité financière. – Conception et paramétrage des scénarios de fraude (règles métier, agrégations, seuils d'alerte). – Mise en œuvre d'un mécanisme de propagation des risques (contagion) entre entités connectées et traitement des faux positifs. – Développement d'un moteur de recherche sémantique pour le scoring des individus et l'identification de relations à risque. – Déploiement d'une application de type Case Manager pour la gestion des alertes : investigation, suivi des cas, priorisation et regroupement des anomalies. – Implémentation du data lineage et de l'ordonnancement des traitements (scheduling, gestion des dépendances et monitoring). Les outils : AWS (S3), Palantir Foundry (Data Connection, DevOps, Marketplace, Code Repositories, Contour, Workshop, Data Lineage, Ontology, Vertex, AIP, Pipeline Builder), PySpark, Python, GPT, LLMs, GenAI, Agentic AI, API REST, Anaconda.

Projet : ACPR Dans le cadre de sa mission de surveillance des banques et des assurances, l'Autorité de contrôle prudentiel et de résolution (ACPR) a mené un audit du groupe Generali. Pour répondre à cette exigence, un projet interne a été lancé. Ce projet a été conçu pour collecter, analyser et fournir les datamarts et indicateurs de performance demandés, assurant ainsi une réponse complète et précise aux attentes réglementaires de l'ACPR. En charge de : – Extraction, collecte et ingestion des données brutes dans le Data Lake central. – Développement des processus de normalisation et de nettoyage des données (Dataiku, PySpark, Python, Sql). – Implémentation des traitements permettant de construire les datamarts. – Gestion des interdépendances entre les processus pour assurer une coordination optimale. – Organisation du projet en Flow Zones selon le périmètre métier. – Création de scénarios sur Dataiku pour definir les workflows et automatiser le déclenchement et l'exécution des jobs. – Création de tableaux de bord pour le suivi et la présentation des KPIs (PowerBI). – Détection et résolution proactive des anomalies fonctionnelles. – Analyse des besoins métier et contribution à la prise de décision stratégique. – Élaboration de la documentation technique et fonctionnelle (Jira, Confluence). Projet: Data Product Les extractions ACPR 2023 ont révélé des lacunes dans les outils de pilotage de la Sécurité Financière et un manque de structuration des données. La production de rapports en silo engendre une redondance des efforts et une baisse de la qualité des données. En 2024, un projet de transformation data a été lancé pour structurer des Data Products et Data Domains alignés sur l'organisation, selon une architecture data mesh. En charge de : – Conception et développement des procédures de préparation, d'enrichissement et de segmentation des données (Snowpark, Python, SQL) – Implémentation des traitements automatisés (jobs) pour la création des Data Products. – Développement de processus de contrôle qualité des données (Data Quality) afin d'assurer leur intégrité et fiabilité. – Mise en œuvre d'un système de monitoring des traitements et des données (Airflow, Splunk, Power BI) – Gestion rigoureuse des rôles, privilèges utilisateur et comptes de service dans Snowflake pour garantir un accès sécurisé et maîtrisé aux données. – Sécurisation du projet par gestion des secrets et variabilisation (Rancher, Kubernetes). – Mise en place d'une chaîne CI/CD pour assurer le déploiement automatisé du projet (Python, Airflow, Azure AKS, Azure ACR). – Conception et implémentation des DAGs pour orchestrer, planifier et exécuter automatiquement les jobs. – Élaboration et mise en pratique du GitFlow, ainsi que partage des bonnes pratiques de développement. – Poc sur Azure pour évaluer l'intégration des données via Azure Data Factory (ADF). Les outils : Azure (AVD, AKS, ACR, ADLS, ADF), Snowflake, Snowpark, Dataiku, DBT, Python, Jupyter, Anaconda, CDP, Hadoop, pySpark, Impala, Hive, Airflow, Kubernetes, Rancher, Docker, Git, Gitlab, Splunk, PowerBI, Jira, Confluence.

Projet: Data Platform Exploration L'objectif du projet était de concevoir et déployer une plateforme DataLab industrialisée sur AWS, dédiée à la conception, à l'entraînement et à la mise en production de modèles de Data Science. Cette plateforme intègre également la gestion du cycle de vie des données (catalogue, confidentialité, qualité), ainsi qu'une solution de reporting à destination des métiers. En charge de : – Conception et mise en œuvre de la plateforme Data Science (Infrastructure as Code) permettant la création, l'industrialisation et l'exécution de modèles (SageMaker Studio, AWS Glue, PySpark). – Mise en place d'environnements de développement personnalisés pour les data scientists, permettant de provisionner un environnement SageMaker par projet ML avec initialisation Git, configuration IAM/S3, utilisateurs, et images Docker spécifiques pour les kernels. – Administration des buckets S3 du DataLab : gestion des accès en mode least privilege, des politiques IAM et des autorisations sur les ressources. – Mise en place du feature engineering à l'aide de SageMaker Feature Store pour centraliser et réutiliser les features des différents modèles. – Orchestration et industrialisation des projets ML avec SageMaker Pipelines, automatisant les étapes du cycle de vie des modèles (préparation, entraînement, validation, déploiement). – Mise en place du réapprentissage automatique avec gestion des versions de modèles via SageMaker Model Registry. – Construction de la Consumer Zone sous forme de bases de données Amazon RDS, organisées par périmètre métier, et raccordées à Power BI (ouverture de flux, routage AWS, connexions ODBC, configuration réseau). – Création du Data Catalog (AWS Glue, Crawlers, Athena, RDS, S3), puis exposition des données dans Power BI via un connecteur Athena dédié. – Implémentation des mécanismes d'ingestion, d'historisation et de traitement des journaux d'activité Power BI et des extractions SAS. – Support technique, assistance et formation de l'équipe Data Science dans l'usage de la plateforme Machine Learning. – Maintenance évolutive et corrective de la plateforme. Projet: Data Platforme Engine Le but du projet était de concevoir, déployer et maintenir une Data Plateforme moderne, scalable et sécurisée sur AWS, capable de gérer l'ingestion, le traitement et le stockage de données en temps réel (streaming) et en mode batch. Cette plateforme devait garantir la fiabilité, la performance et la sécurité des flux de données alimentant le Data Lake de l'entreprise. En charge de : – Implémentation des jobs permettant le traitements et la sauvegarde sur le datalake des evenements reçu en streaming temps réel (MSK, EMR, Spark Streaming, Scala). – Implémentation d'un mécanisme d'ingestion des données en mode Btach (Step Function, Lambda, Python). – Implémentation d'un mécanisme de transfert de données entre différents comptes AWS, en utilisant Amazon S3, des rôles IAM et des politiques d'accès (cross-account). – Construction de la Consumer Zone hébergeant les datamarts sous forme de bases de données Amazon RDS, organisées par périmètre métier. – Administration de la plateforme Kafka sur Amazon MSK : gestion de la rétention des messages, du dimensionnement des ressources (brokers, partitions, shards) et de la configuration des topics. – Mise en place du monitoring de la performance, de la scalabilité des ressources, des instances et des traitements, via Grafana. Intégration de métriques issues de différentes sources (CloudWatch, logs applicatifs, etc) pour assurer un suivi en temps réel, anticiper les points de contention et optimiser l'usage des ressources. – Mise en place de l'authentification via AWS Systems Manager (SSM) pour l'accès aux ressources AWS, permettant la suppression du bastion hôte de connexion. – Support correctif et évolutif (Purge/copie/transfère des données, Relance des ingestions en mode Streaming ou Batch). Les outils : TerraForm, AWS (Amazon MSK, EMR, SageMaker Studio, SageMaker Pipelines, SageMaker Feature Store, SageMaker Model Registry, Glue, Lambda, S3, Step Function, DynamoDB, RDS, Athena, EC2, ECR, SSM, SNS, SQS, KMS, CloudWatch, EventBridge), Spark, Spark Streaming, Kafka, Scala, Python, Anaconda, NoteBook Jupyter, PowerBI, Docker, SonarQube, Scrum, Jira, Confluence.

Projet: Big Data For Information Security (BD4IS) Au sein du service de cybersécurité de la SGCIB, le projet BD4IS a permis de mettre en place une plateforme de contrôles intelligents, capable de traiter de grands volumes de données pour détecter divers types de fraudes. Les contrôles couvrent notamment la fuite de données, les emails frauduleux, les comportements utilisateurs suspects, les profils à risque, la conformité des dossiers partagés et les connexions anormales via l'analyse des logs d'authentification. En charge de : – Extraction, collecte et ingestion des données brutes dans le datalake central (logs proxy, applicatif, système, etc). – Implémentation des jobs de normalisation, de nettoyage et de parsing des données. – Design, conception, test et validation de models machine learning permettant de repondre aux besoins de detection des fraudes. – Développement et amélioration de la performance des jobs Data Science via la parallélisation et à la mise à l'échelle. – Développement d'une API dédiée à la gestion des données de référence en lien avec la cybersécurité. – Orchestration et planification des contrôles anti-fraude, de l'ingestion des données jusqu'au stockage des anomalies détectées. – Analyse des anomalies détectées, visant à éliminer les faux positifs et à valider les vrais négatifs pour affiner la détection. – Versioning des modèles d'apprentissage et mise en place du réentrainement automatique. – Mise à jour périodique des contrôles pour prendre en compte les évolutions de la plateforme Hortonworks. – Configuration du déploiement CI/CD des Jobs sur HDFS et des APIs sur les serveurs (Jenkins, Playbook Ansible). Projet: Migration de la plateforme ISC sur le cloud Azure Dans le but de réduire les coûts d'infrastructure et d'améliorer les performances, une migration des systèmes on-premise vers le cloud Azure a été décidée. Le projet BD4IS a été choisi comme pilote pour initier cette transition. Nous avons ainsi migré le projet vers Azure en appliquant une approche de "rearchitecturing", c'est-à-dire une refonte technique adaptée au cloud, afin de bénéficier pleinement des services natifs et de la flexibilité offertes par Azure. En charge de : – Migration des données du datalake on-premise vers Azure ADLS via la création et la gestion de conteneurs Blob Azure. – Mise en place des stratégies d'accès RBAC sur ADLS, en appliquant le principe de least privilege. – Déploiement et configuration de Airflow et ArgoCD sur un cluster AKS pour l'orchestration et le déploiement GitOps. – Déploiement des APIs de gestion des anomalies sur AKS et des traitements Spark de détection de fraude sur ADLS via ArgoCD. – Conception de pipelines Airflow pour l'orchestration et la planification automatisée des traitements de données. – Développement d'opérateurs Airflow pour le lancement à la demande de clusters HDInsight persistants ou éphémères via un provisioning dynamique. – Développement d'un opérateur Airflow personnalisé pour la soumission de jobs Spark via Apache Livy. – Optimisation de la consommation des ressources cloud via une architecture scalable et flexible. – Intégration d'un système de monitoring et de collecte des métriques basé sur la stack ELK (Elasticsearch, Logstash, Kibana). – Participation à la modernisation de l'architecture data dans un environnement cloud hybride orienté sécurité, performance et scalabilité. Les outils : Microsoft Azure (VDI, ADLS, ADLS-LIB, HDinsight, AKS, ACR, Key Vault, Functions), AirFlow, Docker, Kubernetes, Elasticsearch, Logstash, Kibana, HDP (HDFS, Yarn, Spark, Hive, Oozie, Ranger, Livy, Zeppelin, Kerberos), Java, Python, ML, Anaconda, AirFlow, Maven, Ansible, Jenkins, Nexus, Spring-Boot, SonarQube, Scrum, Jira, Confluence.

Projet: Migration du systeme IRP sur le cloud AWS Le service Risk d'Allianz Trade a engagé la modernisation de son système d'information pour répondre à de nouvelles exigences: scalabilité, performance, sécurité et évolutivité fonctionnelle. Cette transformation s'est traduite par le passage d'une architecture monolithique à une architecture en microservices, avec la migration des services et des données vers le cloud AWS. En charge de : – Définition de l'architecture cible et de la stratégie de migration vers le cloud AWS, conformément aux principes de "cloudification" des systèmes existants. – Réalisation de POCs sur différents services AWS afin d'évaluer leur adéquation aux besoins fonctionnels et techniques du projet. – Implémentation de traitements d'ingestion, de parsing et de processing des logs structurées et non structurées. – Conception et mise en œuvre d'APIs REST en utilisant API Gateway, Lambda et Step Function. – Migration et modernisation du backend (de Cobol à Java) et implémentation des fonctionnalités. – Mise en place des traitements d'alimentation du datahub central avec les données Risk. – Mise en place d'une chaîne CI/CD pour le déploiement automatique sur le Cloud avec Jenkins, Terraform et BitBucket. – Implémentation de tests unitaires et d'intégration pour garantir la qualité et la fiabilité du système. Les outils : Amazon Web Services (AWS) S3, API Gateway, Lambda, Kinesis, DynamoDB, EMR, Step Functions, Cli,, Git, GitLab, Maven, Swagger, Postman, Splunk, Terraform, Jenkins, Scrum, Jira, Confluence. Projet: Broker Portal Pour répondre aux besoins des courtiers en assurance-crédit, nous avons mis en place une solution décisionnelle (MDM) alimentant leurs espaces web et mobile en données fiables et actualisées. Les KPI clés y sont présentés sous forme de dashboards interactifs, offrant une vue globale de l'activité, un suivi des commissions, des notifications clients, ainsi qu'une visualisation des contrats, sinistres et recouvrements. Cette solution renforce à la fois leur efficacité opérationnelle et leur capacité décisionnelle. En charge de : – Implémentation des nouveaux traitements ETL permettant l'intégration des données issues des nouvelles business unit. – Optimisation des traitements de chargement ayant permis de mettre en place l'approche en Near Real Time. – Intégration de packages ETL et exécution des scénarios de test. – Réalisation de scripts pour l'automatisation de la livraison des packages ETL. – Réalisation du POC (proof of concept) permettant d'évaluer la migration du projet sur Google Cloud Platform en mode cloud natif. incluant l'étude d'architecture, l'expérimentation de services data (ingestion, stockage, traitement) et la définition des scénarios de migration. – Mise en place d'un contrôle permettant de vérifier la qualité de des données présente dans la chaine décisionnelle. – Intégration, administration et formation à l'outil IBM Gouvernance Catalog. – Maintenance évolutive et corrective de la plateforme MDM. – Rédaction de la documentation technique et fonctionelle. Les outils : IBM DataStage, DB2, Oracle, MS Sql Server, Python, Bash, Google Cloud (GCP), Cloud Storage, BigTable, Container Engine, Compute Engine, DataProc, BigQuery, Pub/Sub, Jenkins, Bitbucket.

Projet: Trackoe Dans une démarche d'accompagnement à la transition écologique, un projet a été lancé pour doter les collectivités d'une solution web et mobile dédiée à l'amélioration de la gestion des déchets. Cette solution intègre plusieurs modules applicatifs permettant d'automatiser la collecte des relevés terrain à l'aide de tablettes Android, de générer des rapports Excel détaillés pour l'analyse des données, et de fournir une évaluation diagnostique afin d'optimiser les pratiques de tri. En charge de : – Recueil des besoins des équipes métiers. – Rédaction des spécifications fonctionnelles et du manuel utilisateur. – Réalisation des développements Front-End et Back-End. – Mise en place de scenarios de tests d'intégration et de non régression. – Livraison des développements en environnement de production. – Analyse de la fiabilité des données. – Maintenance évolutive et corrective. Les outils : JavaEE, Git, SourceTree, Ajax, AngularJS, JavaScript, jQuery, MySQL, Bootstrap, Bash Shell.