Maxime Roodnejad

▪ Maintenance et amélioration de la plateforme Data/MLOps pour assurer son bon fonctionnement et répondre aux besoins de l’équipe IA ▪ Mise en place de l’industrialisation en self-service des modèles IA ▪ Gestion et amélioration de la librairie interne de Data Science ▪ Migration des projets Data Science vers de nouvelles sources de données, avec adaptation et évolution des projets concernés Environnement technique : Python, Scala, Databricks, Mlflow, Spark Interlocuteurs : Développeurs, data scientists, analystes BI

Conception et développement de projets d’ingestion de données dans le Data Lake Insulaire (Dom-Tom) d’EDF. Refonte d’un pipeline Hive/Shell en Spark pour réduire le temps de traitement de 10 jours à moins de 24h. ▪ Suivi de projets Data Lake ▪ Gestion de roadmap et de backlog ▪ Conception d’architectures de projet ▪ Développement de pipelines et de leur supervision ▪ Optimisation des jobs Spark pour améliorer la performance et réduire les coûts ▪ Mise en production et maintenance opérationnelle ▪ Relecture, bonnes pratiques, mentoring de développeurs juniors ▪ Documentation, qualité du code et maintenabilité Environnement technique : Scala, Python, Spark, Hive, Ranger, HortonWorks, ElasticSearch, Oozie Interlocuteurs : Développeurs, experts métier, analystes

Conception et développement d'une plateforme de recrutement basée sur les modèles de langage de grande taille (LLM - Large Language Models). ▪ Conception de l’architecture ▪ Étude de l’état de l’art, conception de l’architecture et développement d’un Proof of Concept (PoC) ▪ Définition des prompts et d’une méthodologie d’extraction de données (CVs et offres d’emploi) ▪ Développement de pipelines de traitement des données et de méthodes de validation des résultats ▪ Développement d’algorithmes de mise en correspondance ▪ Garantie de la documentation, de la qualité du code et de sa maintenabilité

Projet : Amélioration de la précision d’une fonctionnalité principale de l’application : prédiction des lieux de vie, travail et école des utilisateurs ▪ Étude de l’état de l’art ▪ Exploration de datasets massifs (50 millions d’utilisateurs, milliards d’événements) ▪ Conception et ingénierie de nouvelles features ▪ Conception, implémentation et industrialisation de pipelines de données ▪ Entraînement et évaluation de modèles ML ▪ Documentation, qualité du code et maintenabilité Environnement technique : Scala, Spark, GCP, Zeppelin Interlocuteurs : Développeurs, support client, product owner

Projet : Conception et implémentation d’un référentiel de données hippiques pour plusieurs applications internes et partenaires ▪ Conception de l’architecture des processus et systèmes de données ▪ Interface avec les équipes backend, frontend et infrastructure ▪ Développement et industrialisation de pipelines de données ▪ Implémentation de nouvelles fonctionnalités ▪ Accompagnement technique de l’équipe sur les technologies big data ▪ Documentation, qualité du code et maintenabilité Environnement technique : Scala, Spark, Python, AWS, Glue, S3, PostgreSQL Interlocuteurs : Développeurs, PO, Scrum master, métiers

Projet : Migration de pipelines de données vers Google Cloud Platform ▪ Migration de jobs Spark vers Dataflow et Dataproc ▪ Migration de données d’ElasticSearch vers PostgreSQL pour optimiser les coûts ▪ Optimisation des requêtes BigQuery ▪ Évolution des pipelines selon les besoins des data scientists Environnement technique : GCP, Python, Scala, Spark, BigQuery, DataProc, Dataflow, GitLab, PostgreSQL, ElasticSearch Interlocuteurs : Data scientists, développeurs, PO

Projet : Développement d’une application de segmentation contextuelle pour des campagnes marketing personnalisées ▪ Étude et implémentation d’algorithmes NLP (topic modeling, embeddings BERT, etc.) ▪ Développement full-stack de l’application (front + back) ▪ Requêtes BigQuery optimisées ▪ Design d’une API permettant la création de segments dans Google Ad Manager Environnement technique : Python, Dash, Pandas, Sklearn, Spacy, GCP, BigQuery, App Engine, CloudRun, AI Platform, Dataflow, Google Analytics, Google Ad Manager, Gitlab Interlocuteurs : Data scientists, développeurs, responsables de campagnes publicitaires

Projet : Amélioration du moteur de recherche d’une plateforme SaaS juridique à l’aide du ML ▪ Création de frameworks de traitement de données non structurées ▪ Développement de modèles ML pour la compréhension de documents juridiques (NER, anonymisation, etc.) ▪ Pipelines Spark/Scala pour l’extraction d’informations (Spark MLlib) ▪ Encadrement d’un doctorant en R&D (publication ICAIL 2019) ▪ Réécriture d’algorithmes Python vers Scala pour industrialisation ▪ Amélioration des règles de recherche ElasticSearch Environnement technique : Python, Numpy, Pandas, NLP, Spark, Scala, ElasticSearch, AWS Interlocuteurs : Data scientists, PO, développeurs, juristes

Projets : ▪ Moteur de recommandation pour PSA Peugeot Citroën (180 pays) ▪ Moteur de recommandation pour Ouest France Immobilier ▪ Vue client unifiée pour Danone (EMEA et APAC) ▪ Développement d’algorithmes de ranking ▪ Création de KPI pour rapports marketing ▪ Conception de pipelines pour ingestion de données hétérogènes ▪ Optimisation de requêtes (BigQuery, Hive) ▪ Aide à l’industrialisation des solutions ▪ Mise en production et maintenance opérationnelle Environnement technique : SQL, Python, Spark, GCP, Docker, Excel, JIRA, IBM Insight, HBase, Hadoop (HDFS, Hive), IntelliJ, Linux, Bokeh, Shell Interlocuteurs : Analystes, data scientists, développeurs, PO, responsables marketing