Mohamed Boussaa

– Pilotage de l'interface Data → Métiers & architecture d'une plateforme RAG en production. – Pilotage de l'interface Data Engineering → Métiers: animation des ateliers de cadrage, traduction des besoins métiers en spécifications technico-fonctionnelles, arbitrage et priorisation du backlog. – Architecture bout-en-bout d'un système RAG / LLM: déploiement AWS, intégration Onyx, Ollama, infrastructure scalable pour requêtes augmentées par récupération d'information. – Industrialisation de la migration vers PostgreSQL: pipeline orchestré par Airflow + SQLAlchemy, requêtes SQL complexes, tests unitaires Python. – Pilotage des phases de tests: campagnes de recette, validation fonctionnelle (UAT), tests de non-régression et coordination des correctifs avec les Data Engineers. – Pilotage post-mise en production: monitoring de la qualité des réponses du RAG, support N3, recueil des retours utilisateurs et amélioration continue.

– Cadrage des besoins data & industrialisation des pipelines au service de la croissance produit. – Cadrage des besoins métiers et formalisation fonctionnelle: ateliers Growth & Produit, traduction en spécifications data, définition des KPIs. – Migration des dashboards Google Analytics → Tableau Software: consolidation des spécifications techniques, conception et restitution des nouveaux rapports. – Industrialisation d'un pipeline ETL orchestré par Airflow, ingestion CRM Salesforce vers datalake AWS; pipeline ML pour la reconnaissance vocale (AWS, Terraform). – Pilotage des recettes & validation fonctionnelle: animation des phases UAT avec les équipes Growth, coordination des correctifs. – Stabilisation post-mise en production: suivi des indicateurs d'usage, recueil des feedbacks utilisateurs, expérimentations parcours client (framework AARRR).

– Détection d'anomalies temps réel sur séries temporelles industrielles. – Algorithme de détection d'anomalies (ARIMA) sur séries temporelles, feature engineering, benchmark de modèles ML. – Pipeline analytique & data viz: Pandas, Scikit-learn, SciPy, Statsmodels, Plotly, Seaborn, déploiement AWS.

– Cadrage métier, gouvernance des données & projets Data Science (NLP - Grand Débat National). – Cadrage et formalisation des besoins métiers: interface entre la direction métier et l'équipe data, rédaction des spécifications fonctionnelles. – Stratégie de gouvernance Open Data: benchmark marché, cadrage des règles de gestion, conception de rapports Power BI. – Volet Data Science - annotation NLP du Grand Débat National: pipeline complet (stop-words, stemming, lemmatization, TF-IDF, KNN), sentiment analysis sur réseaux sociaux. – Pilotage des recettes utilisateurs: validation fonctionnelle des livrables data, suivi en production et accompagnement à l'adoption.