Daniel Talmaci

Framework d’ingestion conteneurisé (Docker) pour alimenter un chatbot d’IA générative (RAG) : architecture modulaire, config centralisée, observabilité. Scraping navigateur headless robuste (attentes/retries, navigation multi-niveaux) → collectes stables à grande échelle. Normalisation multi-formats (HTML / PDF / JSON), métadonnées complètes et déduplication par empreinte → qualité & traçabilité des documents. Industrialisation sur GCP : Cloud Composer (Airflow) pour l’orchestration, Cloud Storage (GCS) pour le data lake, Cloud SQL pour la persistance, intégration CI/CD. Automatisation end-to-end : jobs planifiés, reprise sur incident, artefacts d’exécution, SLA de pipelines et suivi des statuts. Documentation & tests : exécution locale→cloud sans friction, tests automatisés, guides d’exploitation.

-Développement et maintenance de pipelines de données -Mise en œuvre de pipelines CI/CD en utilisant Docker pour l’automatisation -Réentraînement et déploiement de modèles avancés de machine learning avec DataRobot -Automatisation et monitoring des pipelines de données -Collaboration avec les équipes de Data Science et Data Analyst -Utilisation de plateformes cloud (Google Cloud) pour le stockage et le traitement des données. (Orchestration Airflow et Kubernetes) -Industrialisation de plusieurs projets métiers

-Concevoir tous les aspects techniques et fonctionnels du back-end et front-end d'applications web internes -Migration d'applications PHP 5 vers PHP 8 -Réécriture complète d'applications PHP en JAVA -Réalisation de tests unitaires et tests automatisés