Mohamed Ali Ag Ibrahim

PropTech SaaS d'intelligence de marché géospatiale pour l'immobilier d'entreprise, le retail et les collectivités. Accompagnée par l'ESA BIC Nord France, Agoranov et Wilco. 1,3 M€ levés (Bpifrance, CDG Invest, MNF Ventures). Rôle : direction technique et produit, architecture, recrutement et encadrement de la R&D (5 ingénieurs), due diligence technique. Architecture data : lakehouse « zero-copy » en mémoire (DuckDB, GeoParquet sur S3), architecture Médaillon, dbt, Dagster, avec des coûts de calcul cloud divisés par 10. Data factory : ingestion distribuée (Scrapy, Selenium Grid sur AWS ECS Fargate) traitant des millions de points de données par jour, dédoublonnage et normalisation de sources hétérogènes (DVF, cadastre, Sirene, données clients via CRM). IA générative et agents : hub LLM agnostique (Mistral, OpenAI, inférence locale llama.cpp/ollama), RAG, génération de documents de 50+ pages en quelques secondes, interface agentique pilotant un moteur cartographique 3D (Angular, Deck.gl). Clients : BNP Paribas Real Estate (génération documentaire, réponse à une RFI d'API de valorisation), CBRE France (base d'immeubles de bureaux livrée par API), Région Auvergne-Rhône-Alpes (plateforme déployée), cadrage mené avec la Ville de Paris. Conseil : audit data, processus et IA de PME de conseil en immobilier d'entreprise, avec cinq entretiens de direction, trois cas d'usage chiffrés, une feuille de route et un plan de montée en compétence. Stack : Python, FastAPI, DuckDB, PostgreSQL/PostGIS, dbt, Dagster, Scrapy, AWS, Docker, GitHub Actions, Angular, TypeScript, Deck.gl, Mistral, OpenAI, FastMCP.

Maintien en conditions opérationnelles, évolution et sécurisation du système d'information national gérant les données de millions de licenciés. Optimisation de l'application nationale d'inscription pour absorber des pics de plusieurs centaines de milliers de requêtes par jour lors de la rentrée sportive. Architecture asynchrone avec files de messages RabbitMQ pour découpler les traitements lourds (génération de licences, validations) du flux principal. Backend Python asynchrone, base documentaire MongoDB, modernisation de l'interface historique AngularJS.

Cellule R&D FinTech, puis équipe FOLAB (Front Office Lab) sur le desk dérivés actions : support direct des traders, interventions courtes sur incidents algorithmiques en temps réel, conception d'outils à fort impact financier. Trading algorithmique : modèles de machine learning conçus et mis en production sur le desk. Netting inter-desks (volatilité, hybrides, forex) : algorithme de compensation interne évitant le passage d'ordres sur le marché, soit plus de 3 M€ d'économies de frais de courtage. « Discovery » : agrégateur temps réel de données internes, actualités et tickers pour la prise de décision du Front Office. Reprise et sécurisation d'un legacy financier critique (VBA, macros), résolution d'incidents en direct sous pression. CTO de transition (projet Métis, 1 mois) : cadrage et construction d'un MVP SaaS de gouvernance des risques modèles (LOD1/2/3, IFRS 9). Stack : Java, Python, VBA, machine learning, finance de marché.

Premières responsabilités techniques, dès l'adolescence, en parallèle du lycée : administration de bout en bout du système d'information d'un incubateur d'entreprises à Bamako. Mise en place, sécurisation et administration des réseaux et des serveurs, numérisation des processus de recrutement, de formation et de suivi des financements. C'est là que j'ai appris à faire beaucoup avec peu, une culture du pragmatisme et du résultat que j'ai gardée sur les desks de trading comme en startup.