MOHAMMED ERRAHMANI

– Architecture data et IA de bout en bout, du cadrage produit à la mise en production. – Chaînes IA multilingues, copilote agentique et gouvernance des données sensibles. – Collaboration quotidienne avec une équipe distribuée sur plusieurs pays. – Conception et mise en production de la chaîne IA de création d'annonce: transcription de la narration en arabe dialectal et en français, extraction des champs structurés, score de confiance et validation ou correction par le vendeur (Human-in-the-Loop). – Mise en œuvre de la recherche en langage naturel convertie en filtres structurés, de la génération et de la traduction des descriptions et de la modération automatisée. – Constitution d'un corpus d'évaluation à partir des corrections utilisateurs afin de tester en régression les prompts et les modèles, avec réutilisation des transcriptions et métriques par étape. – Conception d'un assistant interne multi-agents ReAct avec Google ADK: orchestration d'un agent Text-to-SQL BigQuery et d'un agent RAG, puis synthèse typée avec Pydantic et exposition via FastAPI async. – Benchmark des frameworks d'orchestration agentique (Google ADK, LangChain, LangGraph) et des solutions d'observabilité et d'évaluation (LangSmith et alternatives), sur des critères d'intégration et de coût. – Création d'une réplication en lecture seule de 12 tables PostgreSQL vers BigQuery, avec hachage des identifiants et exclusion des données personnelles contrôlées par des tests automatisés. – Sécurisation du Text-to-SQL: validation AST SELECT-only avec sqlglot, allowlist de tables, compte de service en moindre privilège, dry-run BigQuery, plafond de coût et journalisation; SQL rendu visible pour validation humaine. – Exposition des outils via MCP et mise en production sur Cloud Run (authentification ADC), adopté par les équipes internes: ~1 000 requêtes/jour, productivité multipliée par 10 et Text-to-SQL exact à ~98%.

– Architecture et industrialisation des échanges hybrides entre l'environnement sur site et GCP. – Migration de traitements Big Data et étude de la migration Oracle. – Infrastructure as Code, delivery multi-environnements, sécurité et support de production. – Migration de traitements Hadoop et Spark vers GCP avec Dataproc, Cloud Storage et BigQuery; réduction significative des coûts d'infrastructure et du temps de traitement avec le move to cloud. – Industrialisation des transferts bidirectionnels entre les systèmes sur site et GCP via MFT, avec contrôle d'intégrité, déclencheurs de traitement et mécanismes de reprise. – Refonte d'une Cloud Function de réception d'archives pour supprimer la contrainte de timeout de 9 min et renforcement de la vérification des fichiers. – Conception de chargements BigQuery fondés sur des tables externes créées à la demande ou à l'arrivée des fichiers de fin de traitement. – Mise en œuvre d'un Cloud Run Job planifié pour transférer des données de Cloud Storage vers BigQuery dans le contexte de la tarification dynamique. – Migration des modèles de prévision de prix vers Vertex AI (désormais Gemini Enterprise Agent Platform) et industrialisation de leur entraînement et de leur mise à disposition au service du programme de tarification dynamique, associé à une progression significative de la marge sur le périmètre concerné. – Mise en place de l'analyse des prix des concurrents assistée par Gemini afin d'enrichir les décisions de tarification. – Optimisation d'une étape de gestion de fichiers sur Cloud Storage, ramenée de plusieurs minutes à quelques secondes. – Migration de la base de données Oracle vers le cloud, avec industrialisation de l'extraction et du chargement de très gros volumes (plusieurs centaines de millions de lignes). – Déploiement de l'infrastructure avec Terraform et GitHub Actions en développement, recette et production; intégration de CodeQL, SonarQube et Sysdig, préparation des mises en production et traitement d'incidents.

– Pilotage de l'équipe Data du périmètre et définition des architectures techniques ainsi que de la stratégie des flux. – Création et exploitation d'un data lake sur Cloud Storage, orchestration des traitements avec Control-M et gestion des accès IAM par Terraform. – Mise en conformité des traitements de données personnelles avec les exigences du RGPD. – Développement de pipelines d'ingestion et de transformation avec Apache Beam et Dataflow, en Java et Python. – Orchestration des traitements avec Airflow et Cloud Composer, puis planification des requêtes BigQuery avec Dataform. – Optimisation des traitements et des coûts BigQuery, migration de flux et transcodification BigQuery-MongoDB, alimentation des partenaires en JSON, XML et CSV et résolution d'incidents de production.

– Pilotage de l'équipe VITRO composée de 9 profils techniques et 5 profils métier. – Participation aux cadrages fonctionnels et production des documents techniques et stratégiques. – Centralisation dans BigQuery des données des chercheurs, des expérimentations in vitro et des partenaires. – Mise en œuvre de traitements Dataflow, GKE et Cloud Functions orchestrés par Argo Workflows. – Amélioration de l'API d'exposition avec FastAPI et Azure APIM et maintenance des serveurs sur site de Screener, solution de criblage haut débit. – Mise en place de Grafana, GitLab CI, Terraform et industrialisation des rapports Power BI. – Animation des montées en compétence, des revues de code et des comités Data Engineering; équipe lauréate du prix de la meilleure équipe produit 2023.

– Pilotage de l'équipe Datadesk Fonctions Support composée de 3 personnes. – Migration de données SAP BI vers BigQuery via SAP BODS, avec modélisation et restitution dans Google Data Studio et Power BI. – Refonte des traitements ETL en ELT avec Cloud Composer et des chargements BigQuery. – Conception d'un chatbot linguistique avec Dialogflow ES et CX, BigQuery et une Cloud Function Python 3, puis gestion de l'API GOPAAS via Apigee X. – Conception d'un outil interne de pipelines SQL versionnés, testés et supervisés. – Orchestration des dépendances avec Cloud Tasks, avec une capacité configurée jusqu'à 500 requêtes par seconde et par file d'attente. – Développement d'un pipeline de taux de change sur AWS avec Lambda, S3, Python, Redshift et Power BI. – Production d'études d'architecture, de gouvernance Big Data et de documentation de capitalisation Spark sur GCP.

– Collecte des données des systèmes sources et des API vers Cloud Storage. – Transformation des données avec Dataflow en batch et streaming avant chargement dans BigQuery. – Pilotage des traitements Dataflow avec une application Python exécutée sur App Engine. – Mise en place d'une supervision temps réel avec Pub/Sub, Cloud Functions et BigQuery, ainsi que de tableaux de bord Data Studio et Power BI avec alertes sur les jobs en échec. – Optimisation du rafraîchissement des tables métier par un graphe acyclique de dépendances et une parallélisation avec Task Queues; CI/CD Jenkins avec tests automatisés.

– Développement et test de modules d'acquisition et de traitement de transactions en batch et streaming avec Scala, Spark, Spark Streaming et Kafka. – Production de rapports quotidiens sur les transactions avec Scala et Spark RDD. – Mise en place d'une stack Docker intégrant Spark, ZooKeeper, Kafka et Kafka Connect et participation à la migration vers Cassandra. – Développement d'un moteur de planification d'événements avec Kafka Streams et Java Executors. – Participation à la mise en niveau de la stack Kafka, à l'analyse d'anomalies et à l'intégration des fonctionnalités dans Core1 en production.

– Développement d'un clustering k-means et d'une interface permettant de sélectionner les variables et le nombre de clusters. – Production de visualisations 2D et 3D, interprétation des résultats avec les équipes métier et chargement des résultats dans BigQuery.

– Analyse de l'architecture de TimeVault et comparaison de ses fonctionnalités aux solutions de référence. – Réalisation de benchmarks TPC-H et TPC-DS. – Propositions d'évolutions fondées sur CQL, l'adaptation de la grammaire et le database cracking assisté par machine learning.