Khaled DAHMRI

BP2I est la DSI de la BNP Paribas, responsable de la mise en oeuvre de solutions technologiques pour soutenir les opérations internes, en intégrant des outils d’analyse de données et de reporting, tels que le Portail Métrologie. Au sein de l’équipe du Portail Métrologie, composée de 4 membres, ma mission consiste à : o Mettre en place des processus pour collecter et traiter des données provenant de sources variées telles que Dynatrace, Nimsoft et ServiceNow, concernant l’infrastructure BNP (CPU, RAM, mémoire, systèmes de fichiers, réseau, incidents, etc.). Ces données sont ensuite analysées et visualisées sous forme de tableaux de bord Power BI (environ une vingtaine de rapports) et via des moteurs de recherche, accessibles à tous les métiers de BNP Paribas (responsables d’application et infra, managers, team leaders, etc.). o Développement des Dashboard PowerBI o Proposer et développer des modèles d’intelligence artificielle afin de répondre aux besoins spécifiques des différents métiers. Travaux réalisés : • Participation à la migration des anciens scripts shell vers la plateforme Airflow et les mise en production. • Création et surveillance des workflows Airflow pour la collecte et le traitement des données. • Participation à la mise en place d’un catalogue de rapports (tableaux de bord Power BI et graphiques JavaScript). • Mise en place et gestion des processus de qualité des données (Data Quality Process) afin de garantir la fiabilité et la précision des information utilisées dans les tableaux de bord et les rapports du Portail Métrologie, contribuant à une prise de décision éclairée • Développement et tests de modèles de Deep Learning (CNN) pour évaluer la qualité du texte dans les champs de notes de résolution des incidents dans ServiceNow, à destination de l’équipe Process Management, et mise en production du modèle. • Cadrage et challenge des besoins des métiers de BNP Paribas sur différents sujets. • Rédaction de la documentation technique sur Confluence. Chiffres clés : Volume de données : plus de 20 Go collectés par jour et conservés pendant 3 mois. Nombre d’utilisateurs actifs du Portail Métrologie : plus de 2000 user Taux de réussite du modèle de Deep Learning : 80%. Environnement technique : Python, Airflow, Hadoop, Hive, Spark, Pyspark, Mysql, PowerBI, Dynatrace, NimSoft, Visual studio code, Pycharm, Putty, Workbench, Gitlab, Gitlab CI/CD, TensorFlow, word2vec, Jupyter, Docker, FastAPI, IBM cloud.

L’objectif de ce projet est de mettre en place une plateforme permettant aux différentes boutiques de SFR d’identifier les profils des clients, de calculer les entrées et les sorties, de surveiller l’activité des clients dans la boutique, et de fournir un reporting en temps réel pour la visualisation des données. • Utiliser un modèle pré-entrainer (YOLO) pour la détection des personnes et tracer leur trajectoire. • Implémentation d’un modèle de Deep Learning pour la détection de genre et d'âge • Implémentation d’un modèle de Deep Learning pour la détection différents types de vêtements. • Implémentation d’un modèle de Deep Learning pour la reconnaissance des personnes. • Implémentation d’un modèle de Deep Learning pour la détection des masques. • Transformation les différents modèles réalisés en mode API et les mettre dans une image Docker. • Préparer le backend pour récupérer les flux vidéo des différentes caméras afin de les analyser frame par frame dans le but de détecter les personnes, leur âges et genres, et calculer leurs entrées/sorties et stocker ces informations dans une base de données elasticsearch. • Préparer le frontend pour afficher les résultats de l’analyse en temps réel. • Préparer le reporting en format des graphs dans kibana et l’intégrer dans le frontend. • Préparer une image docker pour le frontend et le backend. Environnement technique : Python3.8 (keras, tensorflow, pytorch, Django, opencv), elasticsearch, kibana, gitlab/CI, Docker, Pycharm, Visual Studio Code.

Analyser les données massives extraites de LinkedIn en s’appuyant sur les techniques d’analyse sémantiques et de machine learning. • Extraction et collecte des données à partir de réseau social LinkedIn (Web Scraping). • Normalisation, intégration et indexation des données dans le DataLake avec une architecture Big Data (elasticsearch). • Exploitation, exploration, recherche et analyse des données extraites selon des besoins (Data Engineering). • Construction d'un modèle de prédiction des profils demandeurs d'emploi en utilisant des modèles de Machine Learning. • Préparer un rapport technique. Environnement technique : Python3.7 Pycharm (selenium, Scikit learn, Gensim, Numpy, Pandas, NLTK, Word2Vec , networx, Keras), elasticsearch.

1. Smart Home : C'est un projet PoC (Proof Of Concept) lancé par la SG avec 160 testeurs pour tester et mieux comprendre les attentes du marché vis-à-vis de la maison connectée. 2. Analyse du sentiment client : Ce projet consiste à analyser les commentaires des téléconseillers à propos de leurs échanges avec les clients pour détecter leur conformité aux normes GDPR. Réalisations : • Nettoyer et structurer les données générées par des objets connectés de Smart Home. • Effectuer des analyses statistiques descriptives sur les données Smart Home et les visualiser. • Organiser des réunions hebdomadaires avec l'équipe marketing pour présenter notre analyse de données Smart Home. • Préparer un livrable sur le projet Smart Home en format Powerpoint. • Préparer une étude bibliographique sur la problématique de l'analyse du sentiment. • Choisir deux modèles de deep learning (CNN et LSTM) pour les implémenter. • Préparer le jeu de données de textes (Commentaires des clients générés par des télé conseils) : Nettoyage de texte, Tokenization, suppression des mots vide, etc. • Utiliser un Word2Vec pré entrainé. • Implémenter un Grid Search pour calibrer les les hyper-paramètres des modèles. • Tester et évaluer les deux modèles (CNN et LSTM). • Préparer un rapport technique. Environnement technique : Gitlab 11.3, Pycharm, Python3.6 (Keras, Tensorflow, Scikit learn, Gensim, Numpy, Pandas, LIME, Matplotlib), R

Assume the functions of computer engineer within the ABB company on behalf of STSA, To ensure and maintain the proper functioning of the IT systems (Servers, switches, printers, laptops, different ABB applications ... etc. ). Responsibilities and tasks: • Network installation and administration (switches, routers, access points); • Windows server installation and administration (Windows server 2008 and 2012); • Ensure the smooth operation of their internal applications; • Attend testing of applications and internal projects; • Train users on new systems and applications; • Meet the IT needs of various services (marketing, sales, etc.).

I work at Coca-Cola Company as an outsourced employee (STSA is the company that I work for) for 3 days per week, and my daily work involves: • installing and configuring computer hardware, operating systems, phone devices and applications; • monitoring and maintaining computer systems and networks; • troubleshooting system and network problems and diagnosing and solving hardware or software faults; • providing support, including procedural documentation and relevant reports; • following the written instructions to repair a fault or set up a system; • setting up new users' accounts and profiles and dealing with password issues; • working continuously on a task until completion (or escalate it to another level , if appropriate); • prioritising and managing many open cases at one time; • planning and undertaking scheduled maintenance upgrades • testing and evaluating new technology.