Kabil ESSEFAR

– Contribution majeure à la stratégie de migration Cloud et à l'industrialisation des pipelines de données. – Acteur clé dans la migration de pipelines massifs depuis un environnement Legacy vers une infrastructure GCP moderne. – Conception et optimisation de flux complexes sous Apache Airflow garantissant la haute disponibilité et l'intégrité des données traitées. – Analyse approfondie des logs via Cloud Run et résolution d'incidents critiques de qualité (QoD) pour assurer la continuité de service des flux de production. – Support à la qualification technique des tickets de mise en production (PEV) et analyse des consommations pour l'optimisation des coûts sur Google Cloud Platform.

– Conception et développement d'un moteur d'Intelligence Artificielle pour l'automatisation des processus RH (Matching CV/Offres). – Conception d'un système de scoring automatisé basé sur des et la. Transformation de données textuelles non structurées en vecteurs sémantiques pour un matching de haute précision. – Analyse comparative des performances entre modèles de (PyTorch) et approches classiques (TF-IDF, Scikit-learn). Optimisation des hyperparamètres pour maximiser la pertinence des résultats. – Mise en place de pipelines de collecte automatisée via Selenium pour l'alimentation du moteur de matching.

– Transmission d'expertise de haut niveau pour des profils ingénieurs et cadres dirigeants sur l'ensemble du cycle de vie de la donnée. – Conception et animation de programmes de formation avancés couvrant le, le et le Accompagnement de professionnels vers la maîtrise des architectures data modernes. – Encadrement technique de projets de bout en bout, de la modélisation à la mise en production via des frameworks comme Flask et R-Shiny. – Formation sur les écosystèmes Azure et Hadoop, incluant le Cloud Computing et les enjeux émergents comme le Metavers. – Coaching personnalisé sur les bonnes pratiques de développement (Python, SQL, R) et l'application de l'IA aux problématiques business réelles.

– Application de l'Intelligence Artificielle à l'optimisation urbaine et à l'analyse prédictive de données complexes. – Développement de solutions de traitement d'image pour l'analyse en temps réel du trafic urbain et l'optimisation des flux de mobilité. – Conception de modèles de prévision pour anticiper les indicateurs de vulnérabilité urbaine, permettant une aide à la décision basée sur les données. – Extraction massive de données non structurées via des pipelines de (Selenium, BeautifulSoup) et implémentation de modèles pour l'analyse sémantique des données collectées.

– Automatisation des processus de recrutement avec la correspondance entre les CV et les offres d'emplois en utilisant le traitement de langage naturel et Deep Learning: – Web scraping pour l'entrainement et le test des données. – Deep Feature Learning en utilisant le word2vec. – Utilisation des Modèles LSTM. – Utilisation de réseaux neuronaux multicouches perceptron (MLP). – Algorithme de correspondance pour les candidats et les recruteurs – Deployment as REST API. – Gestion des fichiers en utilisant HDFS.

– Mise en place d'une plateforme de décision pour la sélection, la planification, le suivi et le reporting des projets de la Direction Générale des Impôts en utilisant D3.js

– Stage de découverte en développement d'une application Java