Ibrahima CISSE

– Choix de l'approche fondé sur la preuve : benchmark LLM vs modèles de machine learning classiques pour la caractérisation d'incidents applicatifs, avec choix d'architecture argumenté pour la mise en production. – Détection d'anomalies en temps réel: modèles de deep learning sur 150 millions de données par jour, complétés par un agent LLM générant automatiquement les rapports d'incidents, déployée en production pour les équipes d'exploitation. – Observabilité fonctionnelle et technique: plateforme de supervision à partir de la collecte de logs et de métriques applicatives (5 millions de métriques par jour), mise en production ; supervision temps réel des flux de données inter-applicatifs sur une architecture microservices industrialisée. – Automatisation de l'exploitation: agent gérant de bout en bout les astreintes liées aux défaillances applicatives, en fonctionnement continu ; agent de surveillance de la saturation des ressources systèmes (CPU, RAM, filesystème) pour anticiper les incidents d'infrastructure.

– Conception, architecture et réalisation d'outils d'exploration et de visualisation de données volumineuses – Réalisation de PoC/POV (datascience)

– Gestion et coordination technico-fonctionnelle de projet – Recueil et structuration de besoins – Spécifications fonctionnelles et techniques – Conception et Développement d'applications métiers – Support, formation et accompagnement dans l'utilisation des applications