Aymeric Deschard

– Exploité et fait évoluer l'infrastructure sur GCP (GKE, Cloud SQL) pour accompagner la montée en charge du produit. – Administré les objets Kubernetes nécessaires au run (deployments, HPA, ingress, secrets, configmaps, namespaces). – Mis en place un scaling applicatif avec KEDA sur RabbitMQ (queue length et rate) pour absorber les pics et stabiliser les workers. – Amélioré la robustesse des traitements asynchrones, avec réduction d'environ 1 000 messages/jour en DLQ à presque 0. – Accompagné la montée en charge métier, d'environ 100 à ~2 000 véhicules inspectés par jour. – Contribué à l'infrastructure as code via Terraform sur le périmètre plateforme (GKE, Cloud SQL et composants associés).

– Développé et maintenu un backend d'inspection de carrosseries par ML pour la reprise de véhicules d'occasion, avec API et traitements asynchrones. – Orchestré des inférences ML multi-étapes et des fonctionnalités métier via workers RabbitMQ (messages à consommation unique). – Fiabilisé la chaîne de traitement asynchrone avec exchanges et DLQ (gestion des erreurs, reprises, stabilité en production). – Conçu une fonctionnalité de génération de rapports PDF à la demande via l'API, basée sur templates Jinja et mise à la charte graphique des clients. – Implémenté un module de pricing à partir des dégâts détectés (arbre de décision combinant type de dégât, taille, pièce, charges et prix horaire) pour estimer le coût de remise à neuf. – Optimisé PostgreSQL (indexation, refonte de requêtes et du modèle), avec réduction des temps de réponse sur requêtes critiques. – Refactoré une table d'inférences "fourre-tout" en plusieurs tables alignées sur la logique métier, afin de réduire la redondance et améliorer la maintenabilité. – Fait évoluer une procédure qualité existante (organisation, revues, pratiques de delivery) et encadré deux développeurs juniors.