Haytham AIT BAHESSOU

• Rejoind l’équipe d’ingénierie en charge du développement et du maintien de la plateforme stratégique d’optimisation de portefeuille énergétique d’ENGIE, permettant aux traders et gestionnaires de portefeuille de prendre des décisions d’approvisionnement fondées sur les données et de couvrir les risques liés à la volatilité des marchés. • Conçu et maintenu des pipelines ETL d’entreprise avec Dataiku, Python (pandas, SQLAlchemy) et SQL, traitant des millions de transactions liées aux volumes d’énergie et de gaz. • Développé et exploité une plateforme d’optimisation de portefeuille énergétique, permettant d’élaborer des stratégies d’approvisionnement fondées sur les données, couvrant les contrats mensuels et trimestriels, les contrats à terme, les futures et les options. • Développé des API REST avec Flask et SQLAlchemy afin d’exposer aux parties prenantes les données en temps réel et les fonctionnalités d’optimisation. • Géré les déploiements sur Azure et les pipelines CI/CD, garantissant la scalabilité et la fiabilité de la plateforme. Résolu des anomalies critiques de rapprochement du P&L entre exercices, améliorant la fiabilité du reporting.

• Rejoindre l’entité Risk de la BNPP en tant que Consultant Data Engineer pour gérer le risk de crédit de la plus grande banque européene. • Echanger avec les métiers pour définir et concevoir des solutions aux besoins data. • Créer et maintenir des piplines de data ETL: extraction de la data sur le crédit fournie par les métiers, transformation de la data pour répondre aux besoins des métiers et au Stress test EBA exigé par la banque centrale eurpéene, puis ingestion dans des outils de reporting et fournir la data nécéssaires pour des modèles statistiques de prédiction du marché financier. • Manipuler de gros volume de data sur Dataiku avec PySpark et SQL.

• Rejoindre l’équipe customer success pour travailler sur une varieté de projets client. Extraire de la data textuelle depuis le warehouse de SESAMm, les traiter pour l’utiliser ensuite dans l’implementation des indicateurs financiers. • Implémenter des modèles de ML pour classifier des articles selon leurs pertinences au vu d’un sujet donné. • Travailler sur des clusters Spark dans databricks. • Requêter des bucket S3 par AWS Athena pour extraire la data utilisée pour l’entrainement et l’évaluation des modèles ML

• Etudier la politique optimale pour maintenir des systèmes réparables, qui détériorent au cours du temps. • Réaliser des inférences statistiques dans R pour choisir le meilleur modèle décrivant les phénomènes de détérioration et réparation. • Estimer les paramèteres de ces modèles par le Maximum de vraisemblence, afin de comparer les deux aproches possibles au problème: paramétrique and non paramétrique.