Marouane Benfattoum

Montage d'une architecture Big Data Connectée capable de stocker et assurer un flux de données sécurisé en temps réel (Python,MongoDB,Docker,PowerBi,SpringBoot,Java) ➢Analyse de l’existant ➢Lecture et analyse les spécifications fonctionnelles détaillées ➢La rédaction des spécifications techniques détaillées ➢Revue de code ➢ Conception d’une base MongoDB avec collections normalisées. ➢ Automatisation de l'extraction des données depuis différentes sources de capteurs. ➢Développement des scripts shell ➢ Développement d’un Dashboard de suivi avec alertes automatisées. ➢ Utilisation de Docker pour conteneuriser les composants et sécuriser le déploiement. ➢Rédaction des dossiers d’exploitation ➢Maintenance corrective et évolutive

Automatisation de l'extraction des données et le Développement d'un Modèle Prédictif pour l'Analyse de Défauts de Véhicules ( Databricks,Python,XGboost,SVM,RandomForest,Selenium Python et Robot Framework) ➢Analyse de l’existant ➢Lecture et analyse les spécifications fonctionnelles détaillées ➢La rédaction des spécifications techniques détaillées ➢Revue de code ➢Automatisation de l’extraction de rapports SAV pour la maintenance prédictive des véhicules. ➢ Développement de modèles de classification (XGBoost, SVM, Random Forest) avec traitement d’un dataset déséquilibré. ➢Pipeline complet de feature engineering, modélisation, évaluation et visualisation. ➢Rédaction des dossiers d’exploitation ➢Maintenance corrective et évolutive

Traitement de données massives avec Spark sur la stack AWS, développement et déploiement d’applications sur EMR, migration de données via DMS, et automatisation de la chaîne de traitement (bronze → argent → gold). (Java, Spark, Terraform, S3, Glue, Redshift, Step Functions, Lambda) ➢ Développement d’applications Spark distribuées pour le traitement en temps quasi-réel de données volumineuses. ➢ Automatisation des pipelines via AWS Step Functions et Lambda, réduisant les interventions manuelles de 80 %. ➢ Migration de données hétérogènes avec DMS et intégration sécurisée dans Redshift et S3. ➢ Conception d’une architecture évolutive et modulaire conforme aux bonnes pratiques DataOps sur AWS.

Traitement et analyse des données pour la recherche, mise en place d’un composant PQL pour la traduction des requêtes vers Elasticsearch, et développement des fonctionnalités de recherche et de monitoring des flux. (Java, Spark, Elasticsearch, Kibana, Talend,AWS, Micrometer, Prometheus) ➢ Conception et intégration d’un moteur de requêtes personnalisé (PQL) améliorant la précision de recherche de 35 %. ➢ Développement et optimisation des microservices de traitement et d’indexation de données sous Spark et Talend. ➢ Mise en place d’un monitoring centralisé avec Micrometer/Prometheus, réduisant les temps de diagnostic d’incidents. ➢ Contribution à l’automatisation de l’analyse de logs et à la fiabilisation des flux de données entre services.