Mohamed Berrahal

Project Migration Serverless AWS Lambda → Google Cloud Run — Cloud Modernization & AI-Assisted IaC Architect Cloud / Solution Architect — AWS → GCP Migration • Analyse de l’architecture AWS existante : Lambda, IAM roles/policies, environment variables, CloudWatch, API Gateway, networking et mécanismes de déclenchement, afin d’identifier les équivalences fonctionnelles et les écarts avec l’écosystème GCP. • Optimisation de l’architecture Cloud Run autour des paramètres CPU/memory allocation, concurrency, min/max instances, timeout et autoscaling, afin d'obtenir un comportement équivalent ou supérieur au modèle Lambda tout en maîtrisant les coûts. • Adaptation du modèle d’exécution Lambda vers le modèle HTTP stateless de Cloud Run, notamment sur la gestion du lifecycle, des variables d’environnement, des timeouts, de la concurrence, du scaling et des contraintes de démarrage. • Externalisation des secrets et paramètres sensibles vers Google Secret Manager, avec injection contrôlée dans Cloud Run et suppression des credentials statiques du code et des artefacts de déploiement. • Utilisation d’un agent IA spécialisé dans la génération de code pour accélérer la transformation de l’Infrastructure as Code existante et produire les premiers templates Terraform AWS → GCP. • Documentation de l’architecture cible, des choix de migration, des mappings AWS → GCP, des modules Terraform et des procédures de déploiement et rollback.

Conception et évolution d'une plateforme de gestion documentaire intégrant progressivement des capacités d'IA Générative, RAG et Agentic AI, tout en préservant l'architecture Spring Boot existante. • Modernisé la plateforme : migration de l'application Spring Boot vers une version récente et mise à niveau de l'écosystème Java en préparation de l'intégration IA • Intégré Spring AI dans l'application pour orchestrer les interactions avec les LLM et injecter l'IA directement dans les workflows métier • Mis en place un pipeline RAG basé sur l'index Elasticsearch existant pour extraire les contenus pertinents et construire le contexte transmis au LLM • Conçu un workflow d'analyse sémantique évaluant l'adéquation des documents avec les requêtes booléennes métier • Déployé le modèle Mistral sur une infrastructure souveraine garantissant la localisation des données et la protection des documents sensibles • Architecturé la connexion Elasticsearch ↔ LLM permettant à Mistral d'exploiter directement les données de l'index dans les processus d'analyse et de génération • Conçu un AI Agent de validation capable de détecter les incohérences des requêtes booléennes et de proposer automatiquement une version optimisée • Intégré une approche Human-in-the-loop permettant à l'utilisateur de contrôler, modifier et valider la requête avant exécution • Adressé les problématiques de sécurité, performance, traçabilité, scalabilité et maîtrise des coûts liées à l'intégration de GenAI Stack technique : RAG & Search: Elasticsearch, Semantic Search, RAG, document retrieval LLM & GenAI Mistral, Spring AI, AI Agents , requêtes booléennes, Human-in-the-loop, tool calling, Prompt Engineering GitHub Copilot · MCP (Model Context Protocol) · Agents IA & Copilot personnalisés · Archétypes de workspaces · Java · Maven · CI/CD (GitHub Actions) · Git · Markdown

Groupe CISION – Projet IRIS Tech Lead / Technical Architect Java Spring Boot & Angular (leadership, 10 ingénieurs)