Mehdi Tajmouati

NBO Pilotage du développement d'un moteur de recommandation bancaire fondé sur l'IA (filtrage collaboratif et filtrage par contenu) au service des conseillers dans leurs campagnes marketing. Prise en charge du cycle de vie complet du modèle : feature engineering sur l'historique client, la détention produit et les transactions, entraînement, évaluation hors ligne, scoring en production et supervision. Conception et mise en oeuvre des pipelines big data traitant de forts volumes de données clients, et construction de l'architecture du framework pour la scalabilité et la robustesse. Réalisation du pipeline de scoring batch en PySpark, produisant un jeu ordonné de meilleures offres par client à fréquence définie et le publiant sur le poste de travail du conseiller. Construction du pipeline de features sous forme de transformations réutilisables et testées, partagées entre entraînement et scoring, supprimant tout écart entre les deux sur les features client, détention et transactions. Industrialisation du cycle de vie des modèles sur MLflow, avec suivi des expérimentations, registre de modèles et artefacts versionnés, faisant du passage en production une livraison maîtrisée plutôt qu'une copie manuelle. Automatisation du réentraînement selon une fréquence définie, avec promotion conditionnée : un nouveau modèle n'atteignait la production que s'il surpassait le modèle en place sur le protocole d'évaluation hors ligne. Traitement du démarrage à froid pour les nouveaux clients et les produits récemment lancés, par repli sur le filtrage par contenu à partir des attributs produits et des segments clients. Construction du protocole d'évaluation hors ligne (précision et rappel à k, couverture, nouveauté) et comparaison du moteur au ciblage de campagnes par règles qui le précédait. Mise en place de la supervision du modèle sur la dérive des données en entrée, la distribution des scores et les indicateurs métier, afin de détecter toute dégradation avant les conseillers. Évaluation et réduction des risques liés au traitement des données, au déploiement du modèle et à l'intégration système ; coordination des équipes métier, IT et risque pour intégrer le moteur au système d'information bancaire existant. Travail avec les équipes conformité et protection des données sur le RGPD, la limitation des finalités et l'explicabilité de chaque recommandation présentée à un conseiller. Leadership technique et mentorat de la squad data, et garantie de la gouvernance et de la conformité des données tout au long du cycle de vie du projet. Mise en production du moteur, avec 25 % d'efficacité en plus sur les campagnes marketing et 30 % de taux de clic en plus sur les produits recommandés. Réduction de 40 % du temps de préparation des campagnes par les conseillers et hausse de 15 % du taux de conversion sur les produits bancaires recommandés. Analyse des comptes rendus conseillers Pilotage du développement d'un modèle IA et NLP d'analyse des comptes rendus conseillers, détectant automatiquement les projets pertinents et en extrayant les éléments clés comme les montants et les dates. Construction de pipelines PySpark scalables pour traiter de forts volumes de texte non structuré, à l'entraînement comme à l'inférence. Conception de la chaîne de préparation du texte (nettoyage, tokenisation, lemmatisation, traitement du français) et d'un lexique métier bancaire couvrant produits, montants et dates. Développement des algorithmes NLP et de l'extraction d'entités nommées pour une restitution fiable de l'information, calibrés pour une précision et un rappel élevés sur les données financières. Comparaison de CamemBERT et FlauBERT à la référence plus légère sur du texte bancaire en français, en mettant en balance le gain de précision, le coût d'inférence et la latence avant tout passage en production. Utilisation de Kafka pour le streaming temps réel, rendant chaque nouveau compte rendu immédiatement analysable, avec rejeu des topics pour retraiter l'historique après chaque évolution de modèle. Déploiement du modèle sur Kubernetes pour l'orchestration, la haute disponibilité et le déploiement automatisé sur les environnements, avec sondes de santé et mise à l'échelle horizontale. Exposition du modèle via une API REST Flask pour l'interaction conseiller en temps réel, les corrections des conseillers étant collectées comme données annotées pour le cycle d'entraînement suivant. Mise en oeuvre complète de la boucle d'apprentissage actif : les corrections remontées par l'API étaient qualifiées en données d'entraînement, réinjectées puis mesurées face à la version précédente du modèle. Versionnement des jeux de données et des modèles, permettant de rattacher toute prédiction à la version de modèle et à l'instantané d'entraînement exacts qui l'ont produite. Hausse de 35 % de la précision de détection des projets, réduction de 50 % du temps d'analyse manuelle et amélioration de 20 % du taux de suivi client. GenAI Réalisation d'un assistant à génération augmentée par la recherche sur la documentation bancaire interne, sur une stack hébergée en interne : découpage documentaire, embeddings par sentence transformers, index vectoriel FAISS et modèle Mistral, chaque réponse étant rattachée à ses passages sources. Évaluation systématique des sorties du LLM sur un jeu de questions de référence, avec suivi de l'ancrage factuel, du comportement de refus et des régressions à chaque évolution de prompt ou de modèle. Travail avec la conformité sur la localisation des données, la journalisation des prompts et la revue humaine préalable à toute restitution générée par LLM à un conseiller.

Finance District Support technique quotidien aux data engineers et animation de la squad accompagnant la DSI CFT sur les solutions de données couvrant le reporting réglementaire et fiscal. Réalisation des modules de suivi des plans d'exécution, de gestion de la qualité des données et de supervision des traitements de production, utilisés sur l'ensemble des pipelines du département. Pilotage de la migration technique et fonctionnelle de Talend Big Data vers Scala et Spark, et migration des projets Spark 2.1 vers 2.4. Conduite de la migration par vagues avec tests d'équivalence fonctionnelle, comparant les sorties Talend et Spark ligne à ligne avant tout décommissionnement d'un traitement historique. Migration de la plateforme de Hortonworks vers Cloudera Data Platform (CDP) et mise en oeuvre d'une solution d'anonymisation des données. Pseudonymisation des identifiants clients, permettant aux environnements hors production de porter des volumétries réalistes sans exposer de données personnelles, tout en gardant des tests de charge représentatifs. Mise en place de la chaîne CI/CD Scala et Spark : build, tests unitaires, seuil de couverture, analyse statique, publication d'artefacts et promotion automatisée du développement à la production en passant par l'intégration. Application des bonnes pratiques FinOps pour optimiser le coût des ressources cloud et cluster : exécuteurs redimensionnés sur l'usage réel, capacité inutilisée récupérée et consommation restituée par projet, donnant aux responsables budgétaires la visibilité sur le coût de chaque pipeline. Construction d'un framework Scala et Spark réutilisable pour standardiser les développements, avec ingestion pilotée par configuration, journalisation commune, gestion des erreurs, règles de qualité de données et harnais de test partagé, afin que chaque nouveau pipeline démarre sur une base éprouvée. Optimisation des applications Spark sur l'intervalle de traitement, le parallélisme et la mémoire, et optimisation des algorithmes Hadoop avec SparkSession, Spark SQL, DataFrames et RDD de paires. Traitement de jeux de données volumineux par partitionnement, jointures broadcast et choix de stratégie de jointure, avec optimisation des performances depuis la SparkUI (débordements, shuffle, stockage, sérialisation, déséquilibre). Choix de Parquet, ORC ou Avro selon les cas d'usage, et gestion des partitions et du coalesce pour éviter les shuffles inutiles et la prolifération de petits fichiers. Ordonnancement des traitements via Control-M avec chaînes de dépendances, fenêtres de SLA, alerting et procédures de redémarrage documentées pour le support de production. Couverture par tests unitaires avec ScalaTest et SonarQube, et pratique du TDD avec Cucumber pour exprimer les règles métier sous forme de spécifications exécutables. Collecte des logs en flux via Scala, Kafka et Spark Streaming depuis YARN pour la supervision applicative, et réalisation d'une solution de transfert de fichiers WebHDFS. Rôle de point d'escalade sur les incidents de production, analyse des causes racines et réinjection systématique de chaque correctif dans le framework partagé pour empêcher toute récurrence ailleurs. PRORATA TVA Animation des cérémonies agiles et livraison d'une solution digitale de calcul de l'assiette du « PRORATA de TVA ». Travail avec les experts fiscaux et financiers pour traduire la réglementation en modèle de calcul, puis en transformations Spark testées, avec une piste d'audit complète du mouvement source jusqu'au chiffre publié. Conception de l'architecture de données en Scala et Spark, raccordement aux outils de restitution et optimisation des performances et de la scalabilité des traitements Spark. Construction de solutions de données modernes sur Azure PaaS (Data Factory, Data Lake, Databricks, Synapse) pour ingérer, transformer et exposer les données à la restitution. Création de pipelines ADF s'appuyant sur les linked services et les datasets pour extraire, transformer et charger les données depuis Azure SQL, Blob Storage et Azure SQL Data Warehouse. Développement d'applications PySpark et Spark SQL sur plusieurs formats de fichiers, estimation du dimensionnement du cluster, supervision et diagnostic du cluster Databricks. Sécurisation de la plateforme par identités managées, secrets adossés à Key Vault et contrôle d'accès par rôles sur le data lake. Mise en oeuvre de la CI/CD sur Azure avec Jenkins, Nexus OSS, SonarQube et Ansible, journalisation et supervision comprises, en synchronisation avec les équipes de restitution web et Power BI. C3S Rôle de Data Architect : définition de la trajectoire d'architecture et des standards technologiques de la solution big data, en lien avec les composants web et Power BI. Production du flux de données cible et des décisions d'architecture qui le sous tendent, de l'acquisition externe au lac de données jusqu'à la couche d'exposition Synapse. Définition de la stratégie d'acquisition des données externes et de leur exploitation dans le lac de données, et conception de l'architecture de stockage sur Azure Synapse pour Power BI. Mise en place d'un cluster Trino pour accélérer les lectures de données du web vers le lac, comparé au chemin de lecture précédent avant adoption. Présentation de l'architecture technique au comité d'architecture du projet et travail avec les consultants sécurité sur la classification des données, le chiffrement et le contrôle d'accès pour obtenir le « Go Live by Design ». Scala Spark Spark SQL Spark Streaming Talend Big Data Hortonworks Cloudera CDP Kafka Control-M ScalaTest SonarQube Cucumber Azure Data Factory Azure Databricks Azure Synapse ADLS Azure Key Vault Trino Power BI Jenkins Nexus Ansible WebHDFS Parquet ORC Avro

Design and realization seven chunks of the « Acrea » project following the new Basel II and Basel III banking regulations and manage impacts of the « Securitization True Sale » project on data flows.

In his efforts to offer customers an efficient reporting system, BCE is implementing a BI strategy to reorganize and structure the company's decision-making process.