Bilal El Abdellaoui

Data & MLOps engineering chez Veolia. Travail sur une plateforme acoustique de suivi de la biodiversité (identification des oiseaux et chauves-souris à partir de capteurs de terrain). – Ownership end-to-end et en solo d'une plateforme ML de suivi acoustique de la biodiversité en production (parc de +100 capteurs déployés sur toute la France), du firmware capteur en C jusqu'au frontend (application) — cœur de mission sur le ML engineering et l'amélioration continue des modèles en production. – Industrialisation des pipelines data & ML sur Google Cloud (BigQuery, Vertex AI, Cloud Run) traitant plusieurs To/mois, sous SLA élevé à pénalité financière — monitoring de production et alerting qualité garantissant la disponibilité. – Pilotage autonome de la mission en mode agile : cadrage et arbitrages techniques avec les parties prenantes (PO, écologues, plateforme data) — posture proactive de référent technique sur le périmètre.

– Plateforme de monitoring de cultures tropicales par drone : cartographie parcellaire, détection de plants, suivi sanitaire, segmentation foliaire et classification par indices spectraux. – Infrastructure MLOps (DVC, WandB) et traitement géospatial en Python (Rasterio, GDAL, GeoPandas) pour industrialiser l'analyse d'orthomosaïques et d'images multispectrales. – APIs backend FastAPI et intégration de modèles LLM pour l'aide à la décision agronomique, réduisant le cycle décisionnel par parcelle de 1 jour à moins d'une heure sur un pilote de 8 exploitations.

– Migration de l'application de maintenance prédictive PROGNOS vers Google Cloud (BigQuery, Cloud Functions, DataProc, Terraform, CI/CD GitHub Actions), pipeline 60% plus rapide, déploiements rendus 3x plus rapides. – Cadrage et choix d'architecture du middleware (Kafka), interconnexion entre couche applicative et BigQuery, fiabilisant le flux temps réel sur une flotte de 550 appareils. – Développement de traitements Spark/SQL sur plusieurs To de données capteurs/jour alimentant les modèles de maintenance prédictive.

– Construction de pipelines ETL Python end-to-end pour 3 grands comptes (Volvo, The Economist, Arista): ingestion, nettoyage et calcul automatisé d'empreinte carbone, charge réduite de 1 mois à 1 semaine. – Développement d'un moteur de matching NLP par scoring de similarité mappant automatiquement facteurs d'émission et activités opérationnelles, taux de mapping automatique > 90%. – Coordination directe avec les équipes métier de Volvo, The Economist et Arista (cadrage, validation, itérations) : 3 bilans carbone livrés en 3 cycles de validation au lieu de 9 habituellement, zéro correction majeure.

– Développement d'un algorithme de détection de maladie en Python sur bananiers par Vision Transformer (DINOv2), F1-score de 0.82 sur la classification des stades symptomatiques. – Collecte et labellisation terrain sur 3 pays (Ghana, Côte d'Ivoire, Martinique) : dataset de référence de 45 hectares annotés, aujourd'hui utilisé par l'unité GECO banane pour le suivi phytosanitaire.