Benjamin Taisne

Le projet DERMS optimise la gestion des réseaux électriques en intégrant des ressources énergétiques distribuées (DER) comme les énergies renouvelables et les véhicules électriques, facilitant ainsi la gestion des contraintes et la communication avec RTE. + Conception et mise en place de l'architecture DevOps : Élaboration d’une architecture DevOps flexible, adaptée à la fois aux environnements internes et externes. + Outillage DevOps : Sélection et implémentation des outils nécessaires + Support à l'intégration :Accompagnement des équipes dans l'intégration de leurs applications dans l'environnement technique du projet. + Documentation et formation : Rédaction de la documentation technique et formation des équipes pour garantir leur autonomie dans l'utilisation de l'infrastructure DevOps. Outils : Kubernetes, Docker, Terraform, Helm, GitLab CI, Jenkins, PostgreSQL, Airflow, RTE API.

Dans le cadre de la mission Connaissance, j’apporte un soutien méthodologique et technique pour la mise en œuvre de la démarche DevOps au sein des différents Pôles Nationaux Connaissance. Mon rôle consiste à structurer et industrialiser les projets en cours tout en intégrant des pratiques DevOps adaptées aux spécificités du ministère. + Formation et acculturation DevOps : Formation des équipes aux pratiques DevOps pour renforcer l’autonomie des pôles Nationaux Connaissance. Création de supports et d’ateliers pour diffuser la culture DevOps et outiller les équipes. + Appui organisationnel : Mise en place d’une approche DevOps structurée, incluant le développement de composants mutualisés et l’intégration progressive des outils adaptés pour chaque Pôle. + Mise en place du socle technique DevOps : Déploiement de la chaîne CI/CD, intégration des tests unitaires, de sécurité et de qualité du code. Création de modules réutilisables (Terraform, Helm) pour simplifier le déploiement des projets. + Amélioration des flux de travail : Mise en place de processus de maintenance des flux de travail automatisés, avec des outils comme Airflow et Docker pour l’orchestration et la planification des tâches. + Support méthodologique : Conseil sur les choix technologiques et support dans la rédaction des besoins, ainsi que l’intégration de solutions d’hébergement conformes aux exigences de sécurité. Outils : GitLab CI/CD, Terraform, Helm, Docker, Airflow, Kubernetes, PostgreSQL, Scaleway, Docker Compose.

Pionnier du Consulting 4.0, Sia Partners réinvente le métier du conseil et apporte un regard innovant et des résultats concrets à ses clients. Nous avons développé des solutions basées sur l’Intelligence Artificielle et le design pour augmenter l’impact de nos missions de conseil. Notre présence globale et notre expertise dans plus de 30 secteurs et services nous permettent d’accompagner nos clients dans le monde entier. A travers notre démarche "Consulting for Good", nous mettons notre expertise au service des objectifs RSE de nos clients et faisons du développement durable un levier de performance pour nos clients.

En pleine migration de son système de facturation, nous avons conçu une solution d'intelligence artificielle capable de comparer des factures. Je suis intervenu dans le cadre d’une mission flash pour déployer rapidement cette solution et assurer son efficacité. - Infrastructure Terraform : Conception d'une infrastructure garantissant une gestion efficace et reproductible des ressources sur GCP. Déploiement en 15 minutes. - Pipeline CI/CD : Mise en place d'un pipeline CI/CD avec Jenkins, automatisant le déploiement des applications et de l'infrastructure. - Formation des utilisateurs : Accompagnement des utilisateurs dans la conteneurisation et la prise en main du système, permettant aux développeurs de déployer leurs services de manière autonome. - Orchestration des tâches : Optimisation des processus pour garantir un flux de travail fluide. Gain de 24h sur le délai de mise à disposition du rapport. - Revue de code : Analyse et mise en place de bonnes pratiques, garantissant une maintenabilité de la solution.

Au sein d’une équipe de 5 personnes, j'ai participé à la conception d'un package Python de Machine Learning destiné à aider les data scientists à développer des modèles industrialisables, fiables et robustes. Cette solution améliore également la maintenance des algorithmes grâce à la standardisation des livrables. - Développement d'un package Python de Machine Learning, visant à accélérer les déploiements de modèles en intégrant dès le départ les meilleures pratiques de développement. Ce package assure également la maintenabilité des algorithmes grâce à l'universalisation du code et des méthodes. 7 algorithmes déployés. - Mise en place d'une API pour le déploiement des modèles. Utilisation de Fast API pour servir les modèles de manière efficace et scalable, facilitant l'accès aux prédictions. Jusqu'à 30 utilisateurs servis simultanément. - Qualité du code. Intégration de tests unitaires et de normes de qualité pour assurer la robustesse et l'optimisation du code, favorisant un développement durable. Couverture des tests unitaires d’au moins 75%. - Accompagnement des utilisateurs. Formation et support des utilisateurs pour faciliter l'adoption du package et maximiser son utilisation dans les projets. 3 équipes accompagnées.

Migration du laboratoire BEPREV vers Kubernetes Dans le cadre de la modernisation de la plateforme BEPREV d'Enedis, j'ai conduit la migration des traitements et des bases de données depuis un environnement laboratoire vers une infrastructure Kubernetes. Ce projet a permis de renforcer la robustesse et la scalabilité des services. + Dockerisation des applications R pour assurer un environnement reproductible et faciliter le déploiement dans Kubernetes. + Migration des bases de données : Création d’un script automatisé pour migrer les bases de données MySQL vers PostgreSQL (PGaaS), réduisant la durée de migration de 1 semaine à seulement 2 heures. + Migration vers Kubernetes : Transfert des traitements du laboratoire vers un environnement Kubernetes, optimisant l’utilisation des ressources et la gestion des conteneurs. + Mise en place de la CI : Implémentation d’une pipeline CI pour automatiser le déploiement et garantir des livraisons continues. + Formation et documentation : Formation des utilisateurs sur la nouvelle plateforme et création de documentation pour assurer leur autonomie dès le lancement. Outils : PostgreSQL, Docker, Kubernetes, GitLab CI, R.

CLP, un fournisseur d'énergie majeur en Asie, a conçu un modèle d’optimisation technico-économique pour simuler et ajuster les configurations énergétiques (solaire, éolien, stockage) et maximiser l'efficacité tout en minimisant les coûts. J’ai été responsable de la mise en place de l'infrastructure cloud sur AWS pour assurer une performance optimale et une gestion des coûts contrôlée. + Infrastructure AWS : Mise en place d'une infrastructure scalable sur ECS Fargate et CloudFront, optimisée pour la performance et la réduction des coûts.. + Automatisation CI/CD : Création de pipelines CI/CD pour automatiser les déploiements et les tests. + Infrastructure as Code (IaC) avec Terraform. Outils : AWS (ECS Fargate, CloudFront, S3, RDS, VPN), Terraform, Docker, CI/CD

En pleine crise sanitaire liée à la COVID-19, j'ai eu l'opportunité de travailler au sein de Santé publique France, l'agence nationale chargée de la santé publique, où j'ai contribué à la modernisation du système d'information du dispositif de dépistage (SI-DEP) - Production quotidienne des indicateurs de suivi de la pandémie contribuant à une prise de décision éclairée pour la gestion de la crise sanitaire). Données disponibles avant 9h30. - Création d'un pipeline de données sécurisées pour garantir la disponibilité et la sécurité des données brutes - Migration du projet de R en Python, améliorant la performance et la flexibilité des processus. Augmentation de la vitesse de traitement de 300 %. - Déploiement d’une instance Airflow pour l’automatisation des tâches de traitement de données. Diminution des erreurs de traitement de 75%. - Appui au métier dans l'exploitation des données. Fourniture de données régionalisées et de rapports adaptés aux besoins d’analyse. 10 rapports automatiques fournis. - Intégration des données dans les outils métiers via API facilitant l’analyse et l’intégration des données. Gain de 30 minutes pour les utilisateurs. - Création de tableaux de bord pour visualiser les indicateurs clés. Adoption du tableau de bord par 5 régions. - Monitoring des traitements et envoi d'alertes par mail. Réduction de 2h du temps d’intervention grâce aux alertes.

Développement de l'offre de météo sensibilité avec Météo-France, partenaire exclusif. Missions & Réalisations : ◦ Accompagnement du partenaire dans la spécification des données à collecter ◦ Analyse exploratoire, étude de faisabilité ◦ Développement d’algorithmes de Machine Learning permettant de prédire de KPI météo-sensibles ◦ Industrialisation des algorithmes pour mise en production et déploiement sur le Cloud Google ◦ Visualisation des KPI via dashboard interactif PowerBI ◦ Estimation de coûts des différents services de l’offre ◦ Conception de plaquettes commerciales ◦ Appui auprès des collègues de l’équipe Data Insights