Loic FOKAM

» Architecture Lakehouse end-to-end pour bancs d'essai moteur (PySpark / S3 / Iceberg / Airflow / K8s) ▸Architecturé 2 pipelines ELT (signaux 10 Hz + données stabilisées) de l'acquisition jusqu'à S3 / Apache Iceberg, déployés sur Kubernetes via ArgoCD ▸Industrialisé l'ingestion de 234 000+ fichiers Parquet sur 26 bancs avec orchestration quotidienne Airflow (zéro duplication) ▸Performances Grafana ×15 via partitionnement, Bloom filters, Z-ordering, compaction → temps de réponse >1 min → <1 s. Refonte modèle wide → long : −99,7 % de données lues / requête » Pipeline de Streaming Digital Twin – cellule moteur (MQTT / Kafka / Iceberg) ▸Conçu une architecture event-driven : MQTT Broker → Kafka → Kafka Connect → Apache Iceberg, ingestion temps réel de signaux capteurs partitionnés par cycle d'essai ▸Piloté la migration Cloud Azure → on-premise (suppression InfluxDB / Azure), unification batch + temps réel dans le Lakehouse → time-to-insight de plusieurs heures à quelques secondes » Migration Pipeline Détection d'Anomalies vers une Architecture Distribuée (Ray / K8s / GPU) ▸Migré une architecture mono-machine vers un cluster Ray distribué sur Kubernetes auto-scalé (1–10 noeuds) → −85 % de temps de traitement (45 min → 5 min), passage de 10 à 100+ variables traitées en parallèle ▸Intégré l'algorithme MatrixProfile accéléré GPU pour la détection d'anomalies sur séries temporelles ; images Docker custom publiées sur Artifactory » Automatisation des Engineering Reports (ETL / Streamlit / SharePoint API) ▸Conçu un pipeline ETL intégrant 4 systèmes internes et développé une appli Streamlit générant un rapport Word pré-rempli → rédaction réduite de 20 h à 15 min (≈ −98 %) ▸Implémenté l'authentification OAuth2 (Device Code Flow) pour l'API SharePoint / PTM avec gestion sécurisée des credentials » Plateforme BI L2 System Monitoring (Power BI / Databricks Unity Catalog) ▸Conçu un dashboard Power BI connecté à Databricks centralisant 12 000+ pièces Powertrain (modèle Star Schema, relations Many-to-Many), agrégations SQL : 5 M → 50 K lignes (−99 %), chargement < 10 s ▸Automatisé la mise à jour hebdomadaire via Databricks SQL Warehouse → 30–60 min de collecte manuelle économisées par requête ingénieur