Saad Mahboubi

– Intervient sur l'industrialisation et la mise en production de modèles IA et de pipelines data au sein d'environnements cloud à forte volumétrie. – Mettre en production et fiabiliser des pipelines de données et de machine learning pour assurer robustesse, scalabilité et traçabilité – Accompagner les Data Scientists dans l'industrialisation de leurs travaux (refactor de notebooks, revue de code, bonnes pratiques) – Concevoir et maintenir des packages Python permettant de standardiser et mutualiser les traitements data/ML – Exploiter les services AWS (EC2, Lambda, S3, Redshift, SageMaker) pour le déploiement, l'orchestration et le monitoring des modèles – Mettre en place des bonnes pratiques de gestion des droits d'accès (IAM, Databricks) et créer des rôles adaptés aux Data Scientists

– Déployer et automatiser via Docker et GitLab CI/CD, avec un focus sur la qualité (tests, docstrings, logging, monitoring) – Développer et exposer des APIs FastAPI (Pydantic) pour la consommation des modèles en production – Migration vers un nouveau Lakehouse Databricks & AWS – Mise en place d'etl alimentant un datalake sous databricks avec dlt et job spark. – Stockage dans le catalog databricks sous architecture en médaillon. – dev des nootebook attaché aux dit et job en pyspark et python. – Github pour la gestion de version et features. – Travail en agile – Implémentation des connexion fivetran et s3 avec databricks

– Migration de NoSQL vers SQL – Développement en Python : – Conception et développement de méthodes en Python pour extraire et transformer les données du modèle NoSQL existant via l'API Azure API Management (APIM). – Remédiation et correction de code obsolète pour assurer la compatibilité avec les nouvelles exigences client. – Synchronisation avec les différentes parties prenantes pour garantir un flux de travail efficace et coordonné. – Mise en place d'une pipeline CI/CD pour automatiser les déploiements et améliorer l'efficacité du développement. – Manipulation des données de référence : – Utilisation et maintenance d'un noyau local pour la gestion des données de référence, en garantissant l'intégrité et la précision tout au long du processus de migration. – Intégration SQL vers bigquery : – Développement de méthodes robustes pour transférer les données transformées vers le nouveau modèle SQL bigquery, en utilisant les services BigQuery API pour un transfert sécurisé via POST API. – Tests et Assurance Qualité : – Création de tests unitaires solides avec pytest, incluant l'utilisation de mocks pour simuler les composants externes et garantir la fiabilité du code. – Mise en place de tests fonctionnels rigoureux pour valider la migration des données et s'assurer de leur intégrité après le transfert. – Traitement des données JSON complexes : – Gestion et transformation de données complexes au format JSON, comprenant des tableaux, objets, nombres, booléens, chaînes de caractères, et valeurs nulles. – Documentation & Collaboration : – Rédaction de documentation détaillée pour faciliter la compréhension et la maintenance du travail par les collaborateurs. – Présentation régulière des résultats et des progrès au client pour assurer la transparence et la satisfaction tout au long du projet

– Migration des Applications de Azure vers AWS – Gestion des Bases de Données : – Création et gestion des bases de données PostgreSQL sous AWS RDS. – Inventaire, optimisation et migration des procédures stockées SQL à l'aide de SQL Server Management Studio (SSMS) et Azure Data Factory vers AWS Redshift. – Conception et implémentation de schémas et tables sur AWS Redshift. – Remédiation, implémentation, et test des procédures stockées sur AWS Redshift Serverless. – Processus de Données : – Alimentation des tables de staging sur AWS Redshift à partir de fichiers CSV stockés sur S3 via AWS Glue. – Gestion de l'alimentation des tables Data Warehouse (DWH) sous AWS Redshift. – Connexion d'AWS Redshift à Power BI pour la génération de rapports dynamiques. – Automatisation et Optimisation : – Optimisation et tests des fonctions AWS Lambda pour l'alimentation des tables de staging, DWH et DMT sur AWS S3 (Python, Terraform). – Implémentation de la transformation des données et configuration de notifications automatiques en cas de non-conformité. – Création et maintenance de pipelines avec AWS Step Functions pour orchestrer les Lambda functions. – Gestion des processus ETL avec AWS Glue, incluant la planification et l'exécution des tâches. – Mise en Place de l'Environnement Databricks : – Création du workspace Databricks AWS, incluant l'ouverture de flux, la création d'un data lake sur S3, la configuration de Spark et la gestion des droits d'accès. – Migration des notebooks d'analyse et de prédiction de données en Python et Spark de Azure vers AWS, avec mise à jour des chemins de blob vers des chemins S3. – Tests approfondis, correction des notebooks, et présentation des résultats au métier. – Présentation de la nouvelle plateforme au client et formation des utilisateurs finaux. – Rédaction de documentation technique pour faciliter l'intégration des futurs collaborateurs.

– Participation à l'Hackathon Web-3 organisé par Sia partners en partenariat avec Tezos et Exaion. – Création d'une dapp sur tezos pour une gestion des eaux durable transparente et responsable ("Tezeau"). – Participation à la conception des smart contract avec python (DAO, NFT, data intégration). – Technique utilisé : smartPy, python, mongoDB

– Intégrer l'équipe projet constituée autour du glossaire métiers – Assurer la rédaction et la publication des définitions des nouveaux concepts (Confluence) – Coanimer la communauté glossaire – Référant Confluence : Lancement et Intégration de Confluence en tant qu'outil de collaboration pour le Data Office, création d'espace Confluence, Macro, Modèle pour tout le DO. En charge de la maintenance de l'Espace DO – Aider à la mise en œuvre d'une démarche de data quality en contribuant à la définition des business cases, cartographiant les processus associés, définissant les KPI (indicateurs) de suivi, co-animant les communautés de data steward, co-pilotant les traitements correctifs de mise en qualité. – Contribuer au déploiement d'un outil de data catalog au sein du groupe (mise en œuvre des paramétrages, rédaction de documentations utilisateurs, accompagnement des utilisateurs) – Alimentation et requête sur Tables SQL.

– Mission en intelligence artificielle, traitement d'images – Conception de modèles intelligents : Détection (visage, animaux, objets...), Tracking, Comptage – Implémentation dans Raspberry ou NanoJetson (Yolov-Tiny) – Méthodes et Bibliothèques utilisées sur Python : OpenCv, Keras, TensorFlow, YoloV3.