Benjamin Gornadha

Machine Learning Engineer au sein d’une équipe transverse métier, travaillant principalement pour Cdiscount. Dans une équipe de 3 ML Engineers, j’interviens en étroite collaboration avec les équipes métiers pour industrialiser et déployer des solutions IA à fort impact. Industrialisation de POC Data Science Mise en production IA → CI/CD, Tests (unitaires & fonctionnels) Refonte base de code en DDD, architecture hexagonale IA Générative : LLMs, Langchain, agents IA, prompting avancé, vector database, embeddings MLE & Dev : Python, Kubernetes, Docker, FastAPI, TDD, Bash, Linux, Cloud Azure, Git, Grafana Database: Snowflake Clean Code, scalabilité, robustesse, automatisation

Mise en place d'API, Scraping d'API Ensemble (Mob) programming - Pair programming Google Cloud Platform (Bigquery, Cloud Run...) Python, Clean Code, Flask/FastAPI, Test Driven Development GoLang, React, Typescript Continuous Integration / Continuous Deployment / Github Actions Git, Linux, Bash Data Engineer dans une petite équipe pour développer des produits de données RH (Sondages, Workplace, Formations, matériel IT). J'ai pu travailler dans une culture agile basée sur les fondamentaux d’Accelerate, avec une attention particulière portée au développement d’une forte collaboration (l’équipe travaille principalement en Ensemble Programming/ Pair programming), une attention soignée au découplage des composants au sein des architectures déployées, et la mise en œuvre de la livraison continue. Dans les valeurs de l’équipe, l’accent a été mis sur la collaboration étroite avec la ligne métier PO/PL. Pour développer l’autonomie de l’équipe, un créneau d’apprentissage quotidien d’une heure (One Hour Learning) a été mis en place. Ce temps d’apprentissage est structuré sous la forme d’un atelier de programmation en équipe, avec des sujets proposés par l’équipe. Cela a permis à l’équipe de se familiariser avec tous les concepts d’intégration continue et de déploiement continu. L’équipe a également pu acquérir des connaissances en Clean Code, Test Driven Development, certains Design Patterns, et implémenter l’architecture hexagonale (port/adaptateur) dans ses produits.

Data Scientist dans une équipe de 3 personnes (2 Data Scientist, 1 Data Engineer) Notre but est de mettre à disposition le plus de données géolocalisées afin d'aider, professionnels ou particuliers, à mieux connaitre son environnement. Notre mission est de rendre transparent toute décision pouvant être appliquée à une localisation (achat immobilier, construction, défiscalisation...) Collecte de données Base de données (SQL, NoSQL) Analyse de données immobilières Mise en place d'algorithme de machine learning sous forme d'API en Production - Estimateur de transaction et de loyer - Modèle de prix immobilier couvrant toute la France Mise en place d'algorithme extrayant des données à partir de texte (description d'annonce immobilière) Mise en place de multiples WebService de restitution de données Création d'APIs - Flask - Express.js (Node.js) Gestion de flux de données (annonces immobilières) avec RabbitMQ Environnement technique - Python, JavaScript, Nodejs - Jupyter Notebook - Google Cloud Platform - API - RabbitMQ - NoSql (MongoDB) - SQL (PostgreSQL) Environnement bureautique - Trello - Slack - Postman

Consultant en Data Science Formation BootCamp (10 jours) - Python - Cloudera Certification Dataiku

Participation aux ateliers de lancement de mission Définition et compréhension des besoins business Analyse de la qualité des données Nettoyage et exploitation des données Features creation, profiling de flotte d'automobiles Environnement technique : Docker, Jupyter notebook (Python 3, Pandas)

Analyse de données sur les décodeurs TV afin d'assurer la maintenance prédictive Concevoir des algorithmes robustes qui seront validés sur le site Machine learning - Random Forest, Réseau de neurones... Python - Pandas, SciPy, Numpy, Scikit-learn Cloud computing services - Suite AWS

Détection de pattern de la fréquentation de magasins à partir de données GPS de téléphones mobiles. Technologie Big Data​ : Exploration et analyse de données avec Zeppelin(Spark) Programmation Scala Clustering - DBSCAN

Traitement, gestion et analyse de données. Rédaction des résultats de l'étude. Pratique de VBA et d'outils cartographiques

Pratique de l'anglais Travaux de ferme : Désherbage - Travail de la terre - Arrosage - Plantation - Récolte

Extraction de données Mise en place d'un algorithme de nettoyage de données automatique Méthodologie statistique Analyse de données sous SAS Elaboration de programmes paramétrables