Jérôme Laval

- Conception et implémentation d'infrastructures cloud hautement disponibles pour les plateformes data et ML dans un environnement international (Europe, Amérique du Nord, Asie) : • Orchestration de 12+ clusters Kubernetes multi-environnements (AKS, EKS) supportant 200+ micro services • Automatisation complète via GitOps (ArgoCD, Flux) et IaC (Terraform, Ansible) réduisant les temps de déploiement de 75% • Mise en place de solutions d'observabilité avancées (Prometheus, Grafana, ELK, Datadog) garantissant un SLA de 99,99% - Modernisation des pipelines CI/CD pour applications data-driven, collaborant avec 8 équipes internationales : • Implémentation de pratiques DevSecOps (Trivy, SonarQube, Vault) réduisant les vulnérabilités critiques de 93% • Automatisation des tests et déploiements (Jenkins, GitHub Actions, GitLab CI) accélérant les cycles de release de 4x • Conteneurisation optimisée des services data et ML (Docker, Podman) avec réduction des coûts d'infrastructure de 35%   - Industrialisation d'architectures data résilientes et scalables gérant 20+ TB de données quotidiennes : • Conception de systèmes distribués auto-réparants avec temps de récupération < 30 secondes • Implémentation de stratégies de backup/restore et DR (Disaster Recovery) avec RPO < 15 min et RTO < 1h • Optimisation des performances et de la fiabilité des services data critiques, améliorant la latence de 67% - Mise en place et gestion d'une infrastructure PKI complète via HashiCorp Vault : • Déploiement d'une architecture multi-tiers hautement disponible (99,999%) pour la gestion des certificats • Automatisation du cycle de vie des certificats avec rotation proactive, réduisant les incidents liés aux expirations de 100% • Intégration avec Kubernetes (cert-manager) et services maillés (Istio, Linkerd) pour le mTLS automatisé sur 150+ services • Implémentation de workflows Zero-Trust pour émission de certificats dynamiques avec durée de vie < 24h • Conformité aux normes de sécurité internationales avec audit trail complet, répondant aux exigences SOC2 et ISO27001 STACK TECHNIQUE: - Infrastructure: Kubernetes, Docker, Terraform, Ansible, Helm, Istio, Linkerd - CI/CD: Jenkins, GitHub Actions, GitLab CI, ArgoCD, Flux - Monitoring & Observabilité: Prometheus, Grafana, ELK Stack, Jaeger, Datadog, PagerDuty - Sécurité: HashiCorp Vault, Trivy, SonarQube, SAST/DAST, OPA/Gatekeeper - Cloud: AWS, Azure, GCP

• Conception et déploiement d'un système avancé de Computer Vision pour le contrôle qualité des moteurs de camions, réduisant les défauts non détectés de 87% et accélérant le processus d'inspection de 4,5x. • Implémentation d'une architecture IA complète dans un environnement industriel international : o Développement de modèles CNN personnalisés atteignant 99,2% de précision o Intégration Azure (AKS, Docker, OCR) avec traitement de 3000+ images par jour o Déploiement de 27 stations de contrôle qualité automatisées sur 3 sites internationaux • Optimisation des pipelines de données pour l'analyse en temps réel: o Ingestion de données IoT à haute fréquence (>500 Hz) avec latence <15ms o Algorithmes de détection d'anomalies réduisant les faux positifs de 76% o Dashboard temps réel permettant l'économie de ~2,4M€ annuels en coûts de rappel • Automatisation des workflows avec CI/CD avancée: o Pipeline Azure DevOps avec déploiement continu sur 12 endpoints o Monitoring automatisé des dérives de modèles avec retraining déclenché à -2% de performance o Documentation et formation de 4 équipes internationales (35 ingénieurs) STACK TECHNIQUE: • Computer Vision: TensorFlow, PyTorch, OpenCV, Azure Computer Vision • MLOps: Docker, AKS, Azure Pipelines, AutoML • Infrastructure: Azure Cloud, IoT Hub, Kubernetes • Monitoring: Application Insights, Power BI, Custom Dashboards

- Development of advanced predictive models (regression, classifiers, neural networks) to solve complex business problems - Experimentation and prototyping of new algorithms, cross-validation, hyperparameter tuning - Integrate machine learning models into production environments, first steps in MLOps - Work closely with business teams to define objectives, feasibility and impact of data projects - Writing technical reports, presenting findings and training internal teams Representative projects : Forecasting prices of electronic components: Developed a regression model (Random Forest, Gradient Boosting) to predict future costs based on historical data, market trends and economic indices. Fraud detection in banking transactions: Implementation of a classifier (XGBoost, Isolation Forest) fed with features extracted from transaction data. Semantic analysis of customer feedback (NLP): Using BERT to extract sentiment, detect recurring themes and recommend actions for product improvement. Computer vision for anomaly detection in industrial production: Using convolutional neural networks (CNN) to visually inspect assembly lines and detect product defects in near real time. Examples of libraries & tools: Python, scikit-learn, TensorFlow, Keras, PyTorch, OpenCV, NLTK, spaCy, AWS Sagemaker, MLflow

- Extract, transform and load (ETL) data from disparate sources - Create interactive dashboards in Tableau and Power BI to monitor key performance indicators (KPIs) - Perform exploratory analysis of data (sales, marketing, inventory) to identify trends and opportunities - Work with business teams to define reporting requirements and key performance indicators Representative projects: Analysing seasonal sales trends: Used SQL and Excel to segment sales by region, product and season, enabling the company to optimise stock levels. Visualisation of marketing performance KPIs: Implemented Tableau dashboards to monitor the effectiveness of advertising campaigns in real time. HR data analysis: Identified attrition and correlations between employee performance and training using Power BI.