Paul Crosnier

Développement et maintenance d’Espark, plateforme de données permettant aux entités du groupe de créer, publier et exploiter leurs data products, pour 800 utilisateurs internes. • Conception d’un workflow de développement assisté par LLM adopté par l’équipe (AWS Bedrock) : base de connaissance métier et technique, génération de plans d’implémentation et exécution outillée, génération automatique de documentation — guides utilisateurs, guides techniques, release notes en CI. • Développement d’Espark Assist, agent LLM facilitant la découverte des data products de la plateforme : recherche en langage naturel basée sur un RAG des métadonnées (noms, descriptions, tables) exposé aux 800 utilisateurs. • Conteneurisation des environnements de développement et de production (Docker, Podman, Docker Compose) et mise en place d’un environnement local reproduisant la plateforme (Python, AWS SAM). • Développement de nouvelles fonctionnalités de la plateforme et exploitation associée sur AWS (Python, AWS Lambda Powertools, EventBridge, DynamoDB, Terraform, GitHub Actions, CloudWatch). • Conception et développement d’un système de data contracts versionnés et signés, encadrant les échanges entre producteurs et consommateurs de données. • Création d’un système de gestion et d’ingestion de métriques de qualité de la donnée. • Automatisation de l’intégration des dashboards Power BI et Databricks (DataOps).

Co-fondation à deux d’un SaaS B2B simplifiant la modélisation financière de projets d’infrastructure (parcs éoliens, centrales solaires). Seul responsable technique — conception, développement et exploitation : produit mis en production en 8 mois, testé par une dizaine d’entreprises pilotes B2B. • Conception et développement d’un agent IA assistant doté d’une trentaine d’outils, capable d’exécuter l’ensemble des actions accessibles à l’utilisateur via l’interface. • Vectorisation de la base de connaissance métier de la solution et développement d’un outil de recherche vectorielle exposé à l’agent, lui permettant d’orienter l’utilisateur vers le bon outil de modélisation selon son contexte. • Auto-hébergement de l’inférence LLM (SGLang en production, Ollama en test) afin de garantir la confidentialité des données clients, avec provisionnement à la demande des instances GPU pour maîtriser les coûts d’infrastructure. • Déploiement et exploitation de la solution en production (Docker, Kubernetes, load balancers, NGINX, Cloudflare) et mise en place de la chaîne de livraison (GitLab CI). • Développement de l’ensemble de la solution : API REST métier (Python, FastAPI, Pandas, PostgreSQL, SQLAlchemy), workers asynchrones (Kafka, Redis), interface utilisateur et back-office (React JS, Next.js).

Réalisation d'un démonstrateur Web pour les technologies développées par le CEA.