Mohamed Mehdi Ben Aissa

– Conception, définition d'architectures et gouvernance technique des plateformes TDP (Trunk Data Platform) et OKDP (Open Kubernetes Data Platform). Contribution majeure et point de contact de référence pour les deux plateformes, au service du traitement de données à grande échelle et des cas d'usage analytiques cloud-native au sein du secteur public. Pilotage de l'intégration des plateformes, de la sécurité, de la fiabilité et de l'adoption par les équipes internes et les partenaires externes, dans un écosystème open source: – Animation et pilotage des workshops au sein de la communauté open source – Conception, définition et validation des architectures de plateformes de données – Mise en œuvre, industrialisation et standardisation des plateformes data – Accompagnement technique, support et orientation des équipes de développement – Pilotage des mises en production avec des objectifs de niveau de service élevés (sécurité, fiabilité, scalabilité) – Définition et mise en œuvre de l'architecture de sécurité et de la gestion des identités (authentification, autorisation, contrôle d'accès) – Conception et déploiement de l'observabilité et du monitoring opérationnel (métriques, journaux, alertes) – Déploiement et gouvernance des pratiques DevOps et GitOps (automatisation, CI/CD, infrastructure as code) – Optimisation de l'évolutivité, des performances et de la résilience des charges de travail – Conception et réalisation de présentations techniques à destination des partenaires et du public – Formation technique, mentorat et transfert de compétences auprès des équipes internes

– Mise en place des offres de service Data (Big Data, NoSQL, Elastic, et Data Science) dans une banque d'investissement, dans un cadre réglementaire (FRTB, MIFID2) et de transformation des offres de Cash Management entre Londres, Singapour et Paris. Objectifs : – Mise en place des offres de Service Data entre le Cloud et les data centers CA-CIB – Administration des clusters – Choix des architectures applicatives et techniques – Accompagnement et formation des équipes de Dev – Automatisation de déploiement et sécurisation des clusters – Mise en place d'une architecture DevOps Big Data – Benchmark & Performance Tuning – Déploiement dans le Cloud

– SG GBIS - ITEC a entrepris une transformation digitale de son activité de marché depuis 2 ans comme partenaire privilégié sur les projets Big Data. Dans ce cadre, ITEC exprime le besoin d'accompagner 200 développeurs dans leur montée en compétences sur les technologies Hortonworks. – Le contenu de la formation a été conçu pour des développeurs ayant : – un niveau Java confirmé (+5ans) – déjà suivi une formation Big Data interne ou existante sur la marché – une bonne connaissance de la plateforme HDP

– Réalisation d'un POC pour la modernisation de la plateforme de surveillance des marchés financiers à travers la mise en place d'une architecture Kappa permettant la réalisation des rapports en temps réel: – Définition de l'architecture applicative et technique – Déploiement du cluster – Accompagnement des développeurs – Mise en place des bonnes pratiques – Intégration des Technologies Big Data – Benchmark et Performance Tuning

– Mise en Place d'une solution de Benchmark Big Data Temps Réel en partenariat avec un laboratoire de recherche à Londres (STAC Reaserch). Intégration de la solution dans ScaledRisk puis dans une architecture Lambda: – Contribution avec le partenaire à Londres – Intégration du Benchmark dans Scaled Risk – Implémentation d'une architecture Lambda puis intégration du Benchmark

– Réalisation du POC Euronext sur une solution de Market Surveillance Temps-Réel et Marché Cash-Equity (FIX) sur un cluster de 9 nœuds avec la distribution Hortonworks: – Déploiement des services et composent Big Data sur un cluster HDP en HA – Prise en main de la solution de monitoring HP Hadoop, Benchmark et performance Tuning du cluster – Ajout des sondes de calcul de latence via coprocesseur HBase (post-put)

– Contribuer à la mise en œuvre (développement) de cas d'utilisation Finance de la technologie Big Data dans un contexte décisionnel. Scaled Risk repose sur un socle technique Hadoop/HBase et en particulier sur des référentiels de données: trade reposity, anti-fraude et KYC: – Développement des différentes couches applicatives Big Data (Java/Rest/HBase/Lucene) – Intégration des données dans la plateforme – Automation du build et de déploiement de l'application sur les différents environnements – Automatisation des Tests: unitaires, d'intégration et de performance

– Mise en Place d'une offre de service décisionnelle intégrant à la fois un DataWarehouse et un DataLake avec les technologies Bi et Big Data. L'objectif de la plateforme est de faciliter la prise de décision au sein d'une banque: – Intégration et homogénéisation des données à partir des différentes sources – Entreposage de données dans le DataWarehouse et le DataLake – Analyse et restitution des données entreposées – Intégration des algorithmes de Machine Learning avec les technologies Big Data