Raphael Béligon

Dans le cadre de la structuration et de l’industrialisation de la plateforme data sur Databricks, contribution à la mise en place des bonnes pratiques d’ingénierie data et des processus de déploiement automatisés. Principales réalisations : Mise en place et déploiement de Databricks Asset Bundles (DAB) afin de standardiser la gestion et le déploiement des projets Databricks. Mise en production de jobs Databricks pour l’exécution automatisée de pipelines de traitement de données. Conception et implémentation de pipelines CI/CD via GitHub Actions pour automatiser les phases de build, test et déploiement des projets data. Mise en place d’une approche Infrastructure as Code avec Terraform pour le provisioning et la gestion des ressources Databricks (clusters, jobs, permissions, accès utilisateurs et groupes). Optimisation des coûts d’infrastructure Databricks via le tuning des clusters, l’optimisation des jobs et l’amélioration de l’utilisation des ressources. Développement de pipelines de traitement de données en PySpark pour l’ingestion, la transformation et la préparation des données. Développement de pipelines Delta Live Tables (DLT) pour la construction de pipelines data robustes et maintenables. Conception et structuration des pipelines selon l’architecture médaillon (Bronze / Silver / Gold) afin d’assurer la qualité, la traçabilité et la valorisation des données. Contribution à une organisation Data Mesh avec structuration des Data Products par domaine métier et définition des responsabilités de production et de consommation de données. Contribution à l’amélioration des bonnes pratiques de data engineering (structure des projets, gestion des environnements, déploiements). Accompagnement et montée en compétence des équipes data sur Databricks, l’industrialisation des pipelines et les bonnes pratiques d’ingénierie. Travail en méthodologie Agile, avec suivi des développements et gestion des tâches via Jira.

CTO – Nuse Energy (Start-up dans le domaine de l'efficacité énergétique et EnR) En tant que CTO, j’ai structuré et développé des services data : ingestion IoT (Modbus), alimentation et transformation des données via pipelines ETL (raw → trusted → rich), restitution par dashboards et mise en place de modèles prédictifs énergie (production & consommation). - Définition de la stack technique adaptée aux besoins IoT, data et visualisation. - Architecture de la base de données et conception d’un datalake modulaire. - Mise en place de pipelines de collecte de données IoT (via les protocoles Modbus et téléinfo, mqtt broker) - Gestion des pertes de données pour garantir la fiabilité des séries temporelles. - Automatisation des déploiements avec une chaîne CI/CD complète. - Build et gestion des images Docker pour l’ensemble des services applicatifs. - Alimentation d'une base de données PostgreSQL - Alimentation de vues riches pour le monitoring et l’analyse métier. - Encadrement technique et montée en compétence de l’équipe data, avec diffusion des bonnes pratiques de développement et d’architecture. J’ai assuré la cohérence technique de la plateforme et sa capacité à évoluer rapidement tout en restant robuste face aux enjeux métier.

Industrialisation de modèles ML de prédiction et d'alertes intelligentes, et de dashboard sur une plateforme databricks AWS. Mon rôle : Lead Data Mes missions : - Accompagner / faire monter en compétences les data engineer et data scientist - Migrer les données et services vers le deltalake de databricks - Structurer, documenter et mettre en place les bonnes pratiques devops et data eng (git, code python/spark, delta table, docstring et type hinting..) - Concevoir avec les PO/QA/Infra les feature et enablers des produits - Industrialiser des modèles IA, piloter des explorations data Environnement Technique : - Agile/SAFE, JIRA - Git, python, Spark, SQL - Bases de données : postgreSQL, deltalake, influxdb - DevOps : Docker, Kubernetes, Airflow, Datadog, Alembic, cookiecutter - Cloud : Databricks AWS Mes réalisations : - Pipeline d'industrialisation de dashboard énergétique pour les métiers - Outils de d'alerte intelligente / détection d'anomalie - Prédiction de consommation et production des bâtiments - Migration des micro-services hétérogènes sur la plateforme databricks - Développement de toute la CICD des projets data - Développement d’un outil IA de text mining analysant des milliers d’articles scientifiques pour identifier les éléments chimiques controversé

Développement d'un datalake de reporting financier. Mon rôle : Data Engineer Mes missions : - Alimenter le datalake - Optimiser les traitements distribués spark - Industrialiser le reporting financier suivant un cahier des charges Environnement Technique : - Agile/SCRUM, JIRA, - Git, Jenkins, Scala, Spark, SQL, Alteryx - Bases de données : Hadoop, Hive - DevOps : Maven, kubernetes - Cloud privé sur cluster Hadoop (Ambari, Hue) Première mission en data engineering chez BNP Paribas : - Mise en production d'un datalake privé avec configuration de l'environnement - Calcul distribué en Scala / Spark / Hadoop - Test et validation Jenkins / Maven - CVS Git Mes réalisations : - Plusieurs reporting financier développés, mise en prod et maintenus - Optimisation des traitements spark -> réduction du temps de traitement par 4 - Optimisation des lectures et écritures des tables

Dans les équipes R&D, exploration de données et détection de défauts Mon rôle : Data scientist Missions : - Migrer des traitement R ou Matlab en python et sur un base postgreSQL - Nettoyer et préparer la données pour de l'analyse de données - Analyse / exploration de données et mise en place de modèles de machine learning Environnement Technique : - Git, python, Matlab, R, SQL - Base de données postgreSQL - Des données CSV - data science : sklearn, mlflow, seaborn, scipy Réalisations : - Extraction et conversion de données de capteurs d'accélérométrie - Nettoyage et échantillonnage des données - Traitement du signal (supprimer le bruit, filtres) - Mise en place et gestion d'une base de données (postegreSQL) - Étude statistique et restitution - Modèles Bayesien entrainés et validés pour la détection de défauts - Proposition d'architecture big data

Stage de fin d'étude portant sur un enjeu énergétique majeur en France, la manœuvrabilité des centrales face à l'émergence des énergies intermittentes. L'objectif étant de rendre compte une analyse technico-économique de l'impact sur les composants d'une centrale nucléaire engendré par des fluctuations importantes de la puissance demandée par le réseau. - Définition du besoin en manœuvrabilité et des études réalisées dans chaque pays - Définition des critères de manœuvrabilité, et des éléments sensibles aux fluctuations de puissance - Analyse statistique (sous Matlab et Python et logiciels internes à EDF) de l'usure des matériaux, de leur fréquence d'utilisation et de leur perte d'efficacité dues aux variations de charges - Mise en place d'une méthode d'analyse dynamique de l'impact de la manœuvrabilité des centrales

Projet de fin d'étude en partenariat avec un chercheur du CEA : - Validation d’un logiciel (Coreflows) de simulation d’écoulement de fluide dans les réacteurs nucléaires - Utilisation de logiciels "opensource" : logiciel de calcul CDMATH, logiciel de maillage PETSC, scripts Bash et Python, et études analystiques via Scialab - Analyse de la convergence en maillage, en précision et en CFL - Étude de sensibilité des paramètres du système sur l’écoulement du fluide - Étude de la recirculation dans les canaux des réacteurs sous différentes configurations

Mise en place d'un guide des bonnes pratiques de sécurité de l'information pour des logiciels de programmations employés par Aubay (java, java EE,php..). Ce projet demandait une bonne structuration du guide de bonnes pratiques et également une recherche pointue sur les faiblesses et failles des différents logiciels. Ce stage faisait suite à un projet mené au sein de Supélec, développement d'un réseau social en hp,html,css,sql,javascript pour lequel la question de sécurité de l'information était essentielle