Omar LARAQUI

- Migration d’une plateforme data Palantir Foundry vers une architecture Lakehouse basée sur AWS et Databricks, permettant la modernisation et l’ouverture de la Data Platform. - Conception et mise en place d’une architecture data scalable reposant sur Data Lake et Delta Lake afin de centraliser les sources de données et améliorer la gouvernance des datasets. - Développement et industrialisation de pipelines de transformation en PySpark sur Databricks pour l’ingestion, la transformation et la mise à disposition des données à grande échelle. - Structuration des données selon l’architecture Medallion (Bronze, Silver, Gold) afin d’améliorer la qualité, la performance et la fiabilité des traitements analytiques. - Optimisation des performances des traitements Spark et des clusters Databricks afin de garantir la scalabilité et la performance des pipelines en production. - Mise en place de pratiques DataOps incluant l’automatisation des déploiements, le monitoring des pipelines et l’amélioration continue de la fiabilité des flux de données. - Optimisation des coûts d’exploitation de la plateforme cloud (FinOps) et amélioration de l’efficacité des ressources utilisées pour les traitements Big Data.

- Gestion avancée de la sécurité de l'infrastructure cloud, garantissant la confidentialité et la conformité aux réglementations en vigueur. - Conception et déploiement de services cloud pour répondre aux exigences métier. - Développement et gestion de pipelines de données robustes pour l'ingestion et la transformation des données, assurant la fiabilité et la scalabilité des flux de données. - Gestion proactive des coûts des ressources cloud (FinOps) et surveillance avancée des performances des pipelines, assurant une utilisation optimale des ressources et un fonctionnement efficace des systèmes. - Implémentation et gestion d'APIs de manière efficace via Azure Functions et Azure API Management, favorisant l'intégration et l'interconnectivité des systèmes. - Promotion et application de bonnes pratiques de développement, notamment l'adoption de méthodologies comme Git flow et la mise en place de processus de revue de code pour garantir la qualité et la cohérence du code. - Facilitation de réunions techniques et d'ateliers avec les parties prenantes clés, favorisant la collaboration entre les équipes Data Science, Data Stewards et Data Analysts. - Contribution active à l'élaboration et à la mise en œuvre de stratégies de gouvernance des données, incluant la conformité au RGPD, la réalisation d'audits de données et l'engagement des parties prenantes dans la gestion responsable des données. - Collaboration étroite avec les équipes métier pour comprendre et répondre à leurs besoins spécifiques en matière de données, garantissant une satisfaction client élevée et des solutions adaptées. - Engagement continu avec les fournisseurs et partenaires technologiques (Azure, Databricks, Informatica ...) pour rester à jour sur les dernières innovations et fonctionnalités, permettant une adoption proactive des solutions émergentes pour répondre aux besoins métier en constante évolution.

- Migration des différentes sources de données (IBM, Postgres...) vers Azure Data Lake. Intégration de différentes sources de données, leur transformation et leur chargement dans le data lake sous format Delta et Parquet. - Création de scripts d'AZCopy pour transférer les données des serveurs internes vers le Data Lake. - Utilisation des langages de programmation Python et SQL, du framework PySpark 3. - Exploitation des services Azure tels que Databricks, Azure DevOps, Azure Data Factory et Data Storage Gen2. - Création de pipelines d'ingestion et de traitement de données pour relier différentes zones de stockage de données (bronze-silver-gold) en assurant la gestion des ACL et des déploiements des artefacts à l'aide d'Azure DevOps.

- Prototypage, conception de mockup et réalisation de la nouvelle architecture de calcul des réserves de marché en utilisant Python, PySpark, Scala et Spark 2.3/2.4 sur un cluster Hadoop. - Maîtrise de SQL pour la manipulation des données sur Hive et des bases transactionnelles. - Mise en place de tests unitaires et fonctionnels BDD avec Cucumber et Gherkin pour garantir la qualité du code. - Documentation technique complète sur Confluence pour assurer la clarté et le partage des informations essentielles. - Gestion des jobs de montée au plan quotidienne à l'aide de ControlM et création/mise à jour des jobs correspondants. - Expertise en intégration continue (CI) et déploiement continu (CD) avec l'utilisation de pipelines Jenkins, XLDeploy et XLRelease. - Utilisation de Git (Tfs et Bitbucket) pour la gestion du code source, Jira et ServiceNow pour le suivi des tickets, et ControlM pour le scheduling des jobs.

- Étude de l'état de l'art en matière d'analyse de CV - Réalisation d'une architecture hiérarchique basée sur la segmentation des blocs de CV, la classification de ces blocs en différentes catégories (informations personnelles, formation, expérience professionnelle, compétences, langues et domaines d'intérêt), suivie de la reconnaissance d'entités nommées (NER) par classe prédite pour récupérer les entités - Phase de segmentation atteignant des performances élevées pour fusionner les blocs de mots sur les pages du CV (temps de traitement) - Phase de classification utilisant un classifieur en cascade atteignant une précision de 89% (basé sur un modèle de Bayes naïf multinomial, un modèle de machine à vecteurs de support, un modèle de forêt aléatoire) avec un méta-classifieur pour la prédiction finale - La phase de reconnaissance d'entités nommées est basée sur le résultat de la classification pour appeler le NER correspondant (pour un bloc d'informations personnelles, extraire le nom, l'adresse, l'e-mail... pour un bloc d'expérience professionnelle, extraire les entreprises pour lesquelles la personne a travaillé, les différentes tâches, technologies...) - Phase d'ajustement qui testera les différents hyperparamètres pendant la phase de validation afin d'affiner et d'améliorer les mesures d'évaluation de l'architecture globale - Rédaction de la documentation technique

- Création de l'application complète d'importation de données Salesforce - Intégration de l'API Rest de Salesforce à l'application Full-Stack - Création d'un modèle en deep learning pour la correspondance de paterns entre les objets Salesforce - Tests via des appels Rest en tenant compte des limitations de Salesforce pour valider les restrictions des champs actifs, des processus et des workflows - Participation à la communauté Salesforce pour créer des composants VisualForce et des Change Sets - Rédaction de la documentation technique

- Création d'une application de reporting pour gérer les assureurs - Intégration de rapports configurables avec des filtres - Exportation de tableaux de bord dans différents formats (PDF, DOCX, tableaux croisés dynamiques Excel) ou en format cube - Rédaction de la documentation technique

Les Olympiades de l'ENSIAS sont des activités exceptionnelles, une ambiance festive qui rend hommage au sport, à la culture et à l'art. Un événement qui met en valeur toutes nos capacités en informatique, qui concilie le travail et le plaisir, et qui rassemble tous les étudiants en génie, dans un cadre d'échange et d'interaction. - Prospection commerciale et négociation des offres de sponsoring

Le Forum GENI Entreprises est un lieu de rencontres et d'échanges entre les étudiants en génie, les lauréats et les recruteurs des entreprises du monde professionnel, organisé par quatre écoles prestigieuses de Rabat, à savoir l'ENSIAS (École Nationale Supérieure d'Informatique et d'Analyse des Systèmes), l'ESI (École des Sciences de l'Information), l'INPT (Institut National des Postes et Télécommunications) et l'INSEA (Institut National de Statistique et d'Économie Appliquée). - Prospection commerciale et négociation des offres de sponsoring