Kouamé YAO

– Création d'un pipeline de données intégrant les données issues des simulations et des véhicules de test (Pyspark, Trino, Iceberg). – Sauvegarde et gestion des données avec Iceberg. – Orchestration des pipelines avec Airflow. – Ajout de nouvelles fonctionnalités à une application Streamlit pour le suivi des plaintes clients. – Support aux différents départements (Combustion, Aftermarket...) via la réalisation d'analyses de données sur Databricks. – Mise en place de tableaux de bord de suivi et de performance avec Grafana.

Remontée des données de 5 usines Européennes vers le cloud. – Demande d'accès aux sources de données des usines auprès des data managers (Oracle, PI OSIsoft). – Conception de l'architecture technique pour l'intégration des données. – Provisionnement des ressources sur Azure, en particulier Azure Data Factory. – Développement des pipelines de données (ETL) pour l'automatisation du traitement. – Stockage des données sur Azure Data Lake Storage Gen2 en structurant en trois niveaux (Bronze, Silver, Gold). – Mapping des données inter/extra usines. – Développement d'une librairie Python pour l'extraction et le traitement des données (ETL). – Création de tests unitaires pour garantir la fiabilité de la solution. – Publication du package dans Artifactory. – Rédaction de la documentation technique pour faciliter son utilisation par l'équipe. Optimisation de pipeline de données. – Réécriture et optimisation des scripts de traitement de données initialement développés en Pandas vers PySpark. – Mise en place et gestion de tables Delta Lake. – Réalisation de taches de web scraping pour collecter des données depuis Google Trends afin d'enrichir les analyses. – Conception de rapports interactifs avec Power BI pour visualiser les performances publicitaires.

Conception et optimisation de pipeline de données temps réel. – Analyse et compréhension des sources de données pour assurer une intégration cohérente. – Implémentation d'un pipeline en temps réel avec Amazon Kinesis Data Firehose et Azure Databricks (PySpark).

Mise à plat du paramétrage de ERP de production. – Refonte du paramétrage de l'ERP de production. – Normalisation et amélioration de la cohérence des données via modélisation et requêtes SQL. – Documentation de la nouvelle configuration pour assurer la pérennité du systèmes. – Mise en place de déclencheurs et contraintes pour renforcer l'intégrité des données. – Contrôle de la qualité des données pour garantir leur fiabilité. – Mise en place d'un monitoring et d'une supervision pour assurer la performance et la stabilité du pipeline.

Estimation des paramétres des systèmes binaires galactiques observés par le satellite LISA à l'aide du Machine Learning. – Conception d'un perceptron multicouche pour l'estimation des paramètres des systèmes binaires. – Feature engineering, normalisation, pooling et optimisation par descente de gradient. – Réduction du temps de calcul 10 fois plus rapide que les approches classiques (ex. Monte Carlo).