Hamza AMIER

Industrialisation CI/CD - Conception de templates GitLab CI/CD mutualisés : Terraform, Python, Docker, Helm et Kustomize. - Authentification GitLab–GCP via Workload Identity Federation (WIF). - Gestion des environnements DEV, REC, PPD et PRD. - Intégration de Vault, tests, linting et contrôles Terraform. Infrastructure as Code & GCP - Développement de modules Terraform pour BigQuery, Cloud Run, Cloud SQL, Dataform, IAM et Load Balancers. - Gestion des states, imports et migrations Terraform. - Standardisation du provisioning des environnements Data. Cloud Composer / Airflow - Migration et mise à niveau de Cloud Composer / Airflow. - Migration des opérateurs Airflow obsolètes. - Orchestration de traitements Dataform, BigQuery et Cloud Batch. - Troubleshooting des DAGs, dépendances et permissions IAM. IAM & Sécurité - Architecture IAM basée sur les Google Groups et le moindre privilège. - Séparation des accès utilisateurs et des identités techniques. - Déploiements en production via Service Accounts CI/CD. Kubernetes / GKE - Déploiement et troubleshooting Kubernetes avec Helm, kubectl et GKE. - Gestion des Deployments, Jobs, Services, Gateway API, HTTPRoute et Secrets. Cloud Run & exposition - Déploiement de services et jobs Cloud Run. - Configuration de Load Balancers HTTPS, DNS, TLS, IAP/OAuth et Serverless NEG. - Troubleshooting réseau, Envoy, TLS et authentification. AtScale - Migration d’AtScale vers une infrastructure dédiée. - Migration Cloud SQL/PostgreSQL et gestion des rôles et privilèges. - Exposition via C4WAN, Gateway API et HTTPRoute. - Troubleshooting Keycloak/OIDC, XMLA et connectivité réseau.

• Développement de fonctionnalités pour les modules ExtractLoad et DataLoad en Python (PySpark). • Conception et déploiement d’un outil de conversion des dumps Postgres en fichiers Parquet en utilisant Docker, Bash et DuckDB. • Réalisation de tests unitaires avec Pytest afin d’assurer la fiabilité et les performances des composants. • Automatisation des importations de données avec Argo WorkflowTemplates, en utilisant des outils comme Rclone, Cloud CLI et gs-Transfer. • Ingestion de données provenant de diverses sources (AWS, Azure, GCP, SFTP) vers GCS et BigQuery. • Transformation des données à l’aide de DBT. • Création de modules Terraform pour déployer des ressources GCP, telles que des Buckets et Storage Transfer. • Mise en place de monitoring et création d’alertes avec Grafana, Webhook, Terraform et Teams. • Gestion et création de resources K8S : kubectl, RBAC, Kustomize, Secret, ConfiMap.

• Refactorisation du pipeline CI/CD afin d’améliorer la qualité et la rapidité des livraisons en utilisant GitLab et Unix, réduisant ainsi le temps de déploiement de 20 %. •Conception et développement d’un système hautement scalable de collecte de données en batch depuis WhatsApp via l’API Infobip, traitant plusieurs millions de messages par jour : utilisation de Python, Compute Engine, Docker, Terraform et Postgres. • Mise en place d’une réplication en streaming en temps réel des données de Postgres vers BigQuery via Datastream, garantissant des analyses à jour. • Déploiement et gestion des ressources sur Google Cloud Platform (GCP) à l’aide de Terraform, facilitant le provisionnement de l’infrastructure. • Conception et implémentation d’architectures GCP optimisées et de modèles de données améliorés, permettant une augmentation de 30 % de l’efficacité du traitement des données. • Développement de datamarts clients et réservations, permettant aux parties prenantes de prendre des décisions basées sur les données : utilisation de Python, Compute Engine, Docker, Terraform et Postgres. • Réalisation de tests de données approfondis via des tableaux de bord interactifs avec Looker Studio, garantissant l’exactitude et la fiabilité des données. • Présentation d’analyses exploitables aux parties prenantes pour faciliter la prise de décisions stratégiques.

• Migration réussie des données on-premise vers Google Cloud Platform (GCP) en utilisant Python, SQL, Compute Engine, GCS et Terraform, améliorant ainsi la scalabilité et réduisant les coûts d'infrastructure. • Administration de la plateforme GCP, gestion des rôles et politiques IAM, et optimisation de l’utilisation des ressources via Google Admin. • Intégration de DBT dans les workflows de traitement existants, facilitant les transformations de données et garantissant leur cohérence. • Développement et déploiement de pipelines de données serverless sur GCP, en exploitant Python, Docker, Cloud Run, Cloud Storage, BigQuery, Workflow et Terraform, réduisant ainsi le temps de traitement des données de 40 %. • Conception et développement d’une application web (Pathosearch) pour la recherche instantanée de mots-clés dans des rapports manuscrits, en utilisant Flask, Elasticsearch, App Engine et Python, améliorant l’efficacité de l’analyse des rapports de 50 %. • Mise en place de pratiques CI/CD avec GitLab, automatisant les déploiements et garantissant la qualité du code.

• Utilisation de Scikit-Learn et Python pour la tarification des polices d'assurance santé individuelles, optimisant ainsi les stratégies de tarification et augmentant les revenus. • Analyse du portefeuille client à l’aide de Pandas, Seaborn et Matplotlib, permettant d’identifier des tendances et des modèles pour des campagnes marketing ciblées. Technologies utilisées : Python, Scikit-Learn, Machine Learning, GLM, Pandas, Numpy.