Mounia Azizi

∠ Participation à l’ingestion et la transformation de données médicales (fichiers CSV / API) via Argo Workflows, avec stockage automatisé dans GCS et BigQuery. ∠ Contribution à l’évolution de l’infrastructure avec Terraform : création de buckets, datasets, tables, transferts automatisés et gestion des environnements. ∠ Développement et maintenance de modèles de données avec DBT pour structurer, filtrer et préparer les données destinées aux équipes scientifiques. ∠ Conception d’interfaces de visualisation et exploration de données scientifiques via Streamlit, pour faciliter l’analyse et accélérer la recherche. ∠ CI/CD avec GitLab : versionnement des images Docker (DBT, ingestion), pipelines d’exécution auto-matisés pour tester, builder et déployer les workflows Argo et les modèles DBT

∠Développement et maintenance de modèles de données avec DBT et Looker, assurant une couche sémantique robuste pour les besoins métiers. ∠ Optimisation des requêtes et création d’insights via des Explores et dashboards. ∠ Automatisation du déploiement des images DBT via GitLab CI/CD ∠ Orchestration des workflows avec Cloud Composer et mise en œuvre de la stratégie Blue-Green Re-fresh pour garantir la disponibilité continue des données. ∠ Développement d’une application Python pour l’automatisation des ETL et l’implémentation d’arbres de décision. ∠ Déploiement et gestion d’infrastructures GCP avec Terraform, notamment la création automatisée de buckets, comptes de service et rôles IAM pour la sécurisation et l’industrialisation des environnements data. ∠ Mise en place d’une stratégie de copie automatisée des données sources assurant la synchronisation des environnements de développement et de test.

Création d'un moteur de recherche textuel, sémantique et d'intelligence artificielle pour la classification douanière des produit. Préparation des données massives(BIG DATA Processing) avec NLP Analyse des performances des moteurs de recherche Implémentation et dévelopement des API des microservices Conception et développeur de pipelines CI/CD

La mise en place d'une architecture ELK pour extraire , stocker et visualiser les logs d'un serveur

Etude vocale et reconnaissance d’émotions dans le cadre du recrutement. Préparation des données vocaux et extraction des features. Création de différents modèles de régression avec l' apprentissage supervisé et non supervisé Analyse de performance des modèles