Horace Agossou

Contexte : Mission chez un acteur majeur de l’industrie des équipements domestiques (Groupe SEB) dans le cadre de la modernisation de la plateforme data et de la mise en place d’une architecture Data Lakehouse multi-cloud (Azure & AWS). Objectif : centraliser et fiabiliser les données (ERP, ventes, supply chain) pour alimenter les usages analytiques et les cas d’usage IA (prévision de la demande, optimisation des stocks). Réalisations principales : – Mise en place d'un Data Lake sur Azure Data Lake (ADLS) et AWS S3 pour centraliser les données multi-sources. – Développement de pipelines d'ingestion batch et streaming avec Azure Data Factory, AWS Glue et Microsoft Fabric (Data Factory / OneLake). – Développement de traitements distribués avec Databricks (PySpark) pour la transformation et l'enrichissement des données. – Implémentation de pipelines ELT avec Snowflake et dbt (règles métier, tests de qualité). – Modélisation de data marts (ventes, stocks, produits) pour les usages BI et Data Science. – Préparation des datasets pour les cas d'usage IA (feature engineering, agrégations temporelles). – Industrialisation des workflows ML avec intégration des modèles (XGBoost) et suivi via MLflow. – Orchestration des pipelines data & ML avec Airflow et Azure Data Factory. – Mise en place de contrôles de qualité des données (dbt tests, Great Expectations). – Optimisation des performances (Spark, SQL, Snowflake) et gestion des coûts cloud. – Mise en place de CI/CD (Azure DevOps / GitLab CI) et provisioning via Terraform. – Collaboration avec les équipes Data, IT et métiers en environnement Agile. Environnement technique : Azure (Data Factory, Data Lake, Fabric), AWS (S3, Glue), Databricks, Snowflake, dbt, Airflow, Python, SQL, PySpark, MLflow, XGBoost, Terraform, Docker, Kubernetes, GitLab CI/CD, Azure DevOps, Great Expectations, Git, Agile.

Contexte : Mission au sein de la direction data d’un grand groupe de protection sociale visant à moderniser la plateforme décisionnelle et fiabiliser les données métiers (assurance, retraite, prévoyance). Objectif : structurer la donnée autour de Snowflake et industrialiser les transformations avec dbt pour améliorer le reporting et les analyses. Réalisations principales : – Développement de pipelines ELT sur Snowflake avec dbt, intégrant règles métier, historisation et tests de qualité. – Modélisation de data marts dans Snowflake (clients, contrats, sinistres, cotisations) optimisés pour le reporting et l'analyse. – Mise en place d'un Data Lake sur AWS S3 pour centraliser les données métiers. – Intégration et ingestion des données via Semarchy xDI et automatisation des flux. – Développement de scripts Python pour la préparation et la fiabilisation des données. – Rédaction et optimisation de requêtes SQL (Snowflake, PostgreSQL) pour l'analyse et la performance. – Mise en place de contrôles de qualité avec dbt tests (cohérence, complétude, unicité). – Développement de dashboards Power BI pour le suivi des indicateurs métiers. – Analyse des données et accompagnement des équipes métiers dans la prise de décision. – Optimisation des performances et automatisation des workflows data. – Collaboration avec les équipes métiers, BI et IT en environnement Agile. Environnement technique : AWS (S3), Snowflake, dbt, Semarchy xDI, Python, SQL, PostgreSQL, Power BI, Git, Agile.

Contexte : Mission en remote au sein d’une équipe data internationale visant à développer et industrialiser des modèles de Machine Learning et des solutions IA pour des cas d’usage variés (prédiction, classification, NLP, computer vision). L’objectif était de concevoir des modèles performants, les déployer en production et contribuer à la mise en place d’une plateforme MLOps sur GCP. Missions réalisées : – Collecte, exploration et préparation de données structurées et non structurées avec Python (Pandas, NumPy) et SQL (BigQuery). – Développement de modèles de Machine Learning supervisés (régression, classification) avec Scikit-learn, XGBoost et LightGBM. – Conception de modèles Deep Learning avec TensorFlow pour des cas d'usage NLP et Computer Vision (classification d'images, détection d'objets). – Feature engineering avancé (sélection de variables, encodage, gestion des données déséquilibrées). – Évaluation et optimisation des modèles (cross-validation, tuning d'hyperparamètres, métriques métier). – Industrialisation des modèles avec MLflow (tracking des expériences, gestion des versions, registry). – Déploiement de modèles via des APIs sur GCP (Cloud Run, GKE) avec conteneurisation Docker. – Mise en place de pipelines ML automatisés avec Airflow / Cloud Composer (entraînement, scoring, monitoring). – Exploitation de BigQuery pour le stockage et l'analyse des données à grande échelle. – Utilisation de Vertex AI pour l'entraînement, le déploiement et la gestion des modèles ML. – Développement de premières briques d'applications basées sur LLM (chatbots, génération de texte) avec LangChain et API LLM. – Suivi des performances des modèles en production (monitoring, détection de dérive). – Collaboration avec les équipes data et produit dans un environnement Agile (Scrum). Environnement technique : Python, Scikit-learn, XGBoost, LightGBM, TensorFlow, Pandas, NumPy, SQL, GCP (BigQuery, Vertex AI, Cloud Storage, Cloud Run, GKE, Cloud Composer), MLflow, Docker, Airflow, LangChain (bases), API LLM, Git, Méthodologie Agile.

Contexte : Mission au sein d’une entreprise spécialisée dans le design d’expériences digitales visant à industrialiser des modèles de Machine Learning pour améliorer la personnalisation des parcours utilisateurs, l’analyse comportementale et la recommandation de contenus. Mise en place d’une plateforme MLOps scalable sur Azure, avec intégration progressive de cas d’usage en IA générative (LLM). Missions réalisées : – Développement et mise en production de modèles de Machine Learning (classification, recommandation, scoring) avec Python (Scikit-learn, XGBoost). – Conception de pipelines ML de bout en bout (préparation des données, entraînement, validation, déploiement). – Industrialisation des modèles avec MLflow (tracking des expérimentations, gestion des versions, model registry). – Déploiement de modèles sous forme d'APIs avec FastAPI et conteneurisation avec Docker. – Orchestration des workflows ML avec Airflow (planification, gestion des dépendances, monitoring). – Déploiement et scalabilité des services ML sur Kubernetes (AKS). – Mise en place de pipelines CI/CD pour les modèles et les pipelines ML (GitLab CI / GitHub Actions). – Gestion et exploitation des données avec Azure (Blob Storage, Azure SQL / Synapse Analytics). – Intégration et déploiement des modèles avec Azure Machine Learning (training, endpoints, monitoring). – Contribution à des cas d'usage en IA générative : intégration d'API LLM pour la génération de contenu et l'enrichissement des parcours utilisateurs, premières implémentations avec prompt engineering et chaînes de traitement type LangChain. – Mise en place de mécanismes de monitoring des modèles en production (performance, dérive des données et des réponses LLM). – Optimisation des performances des modèles et réduction des temps d'inférence. – Collaboration avec les équipes Data Engineering et Produit pour intégrer les modèles dans les applications métier. – Mise en place de bonnes pratiques MLOps (versioning, reproductibilité, automatisation). Environnement technique : Python, Scikit-learn, XGBoost, MLflow, FastAPI, SQL, Azure (Blob Storage, Azure ML, Synapse Analytics, AKS), AWS (S3, Redshift), Docker, Kubernetes, Airflow, GitLab CI/CD, GitHub Actions, Git, LangChain (bases), API LLM, Méthodologie Agile.