OpenProject

Enjeux&nbsp;client&nbsp;:<ul><li>Disposer d’une solution de gestion de projet interne, sans dépendance à un SaaS externe</li><li>Sécuriser l’accès distant aux outils de gestion sans complexité réseaux supplémentaire</li><li>Fournir aux chefs de projet des fonctionnalités avancées d’analyse de planning (PERT, chemin critique)</li></ul>Mission&nbsp;:<ul><li>Déployer et configurer une instance Open Projet auto-hébergée avec PostgreSQL</li><li>Mettre en place un accès sécurisé via CloudFlared Tunnel, éliminant l’exposition des ports ou de configurer un reverse proxy traditionnel</li><li>Développer un plugin Ruby on Rails intégrant l’algorithme PERT pour le calcul automatique des délais de tâches et l’identification du chemin critique</li><li>Automatiser des tâches de déploiement et de configuration via des scripts Bash</li><li>Fournir aux chefs de projet d’outils de planification avances e automatises, améliorant ainsi la précision des délais et la visibilité sur les dépendances</li></ul>Environnement Technique&nbsp;:<ul><li>Ruby on Rails</li><li>OpenProject,</li><li>PostgreSQL,</li><li>CloudFlared Tunnel,</li><li>Bash</li><li>Docker</li><li>Vault</li><li>TLS</li></ul>

Ruby on Rails

DevOps

Fullstack Development

Automatisation, Enrechissement et Sécurisation d'Outil de Gestion de Projet Open Source Self-Hosted

Automatique & Industrie

Enjeux&nbsp;client&nbsp;:<ul><li>Mettre en place une chaine d’intégration et de déploiement continu fiable pour une application critique</li><li>Garantir la qualité logicielle par des tests automatisés et continus</li><li>Assurer la supervision et la disponibilité de l’infrastructure</li><li>Optimiser la productivité des équipes de développement grâce à l’automatisation et la conteneurisation</li></ul>Mission&nbsp;:<ul><li>Concevoir et déployer un pipeline complet d'intégration continue et de déploiement continu</li><li>Mettre en œuvre des mécanismes de test continu pour valider la qualité et la robustesse du code</li><li>Gérer le stockage et l’administration des bases de donnes</li><li>Conteneuriser les applications pour assurer la portabilité et la scalabilité</li><li>Mettre en place un système de monitoring avance pour superviser l’infrastructure et détecter les anomalies</li></ul>Environnement Technique&nbsp;:<ul><li>CI/CD &amp; SCM&nbsp;: Git, Gitea, Drone CI, Jira, VS Code</li><li>Conteneurisation &amp; Orchestration : Docker, Kubernetes</li><li>Bases de données &amp; Stockage : PostgreSQL, KeePass</li><li>Monitoring &amp; Observabilité : Prometheus, Grafana</li><li>Développement Web : HTML, CSS, JavaScript, jQuery, Bootstrap, Node.js, Express, DataTable</li><li>Tests automatisés : Jest, Puppeteer</li><li>Scripts &amp; Administration : Bash, PowerShell</li></ul>

Pipeline CI/CD, test continu et monitoring pour une application de gestion de efficacité energetique

Nokia

<div class="image-container"><div class="image-row-wrapper"><div class="image-wrapper"><img src="https://cdn.collective.work/cmiww4wrjssm95tfjfrfdce84.PNG"><div class="image-overlay"></div></div></div></div> Ce projet consistait à créer une nouvelle infrastructure de livraison de laboratoires pratiques pour NokiaEDU, visant à transformer l'expérience de formation et à permettre de nouveaux modèles économiques basés sur l'apprentissage à la demande.<h3>Contexte (Situation &amp; Objectif)</h3><ul><li>Problématique : NokiaEDU avait besoin d'une solution moderne pour permettre aux étudiants de pratiquer les concepts appris de manière indépendante, asynchrone et à la demande, en s'affranchissant des contraintes des formations en classe traditionnelles.</li><li>Défi : Définir l'architecture, les exigences fonctionnelles et développer un Produit Minimum Viable (MVP) pour une infrastructure de laboratoire basée sur le Cloud, capable d'intégrer des technologies interactives (ex: terminaux distants, Jupyter Notebooks).</li><li>Objectif : Créer un écosystème technologique qui supporte l'apprentissage continu (Anywhere, Anytime) et s'aligne sur les stratégies DevOps et l'approche "Cloud-based training labs".</li></ul><h3>Action (Étapes et Mise en Œuvre)</h3>J'ai agi en tant que développeur et architecte de solution, travaillant avec une équipe réduite pour définir le périmètre, les exigences et le MVP de l'infrastructure.1. Analyse et Conception de l'Architecture<ul><li>Analyse de la Concurrence : Étude des solutions existantes (Katacoda, NRELabs.io, pythontutor.com) pour identifier les meilleures pratiques d'accès aux laboratoires et de gestion des états utilisateurs.</li><li>Définition des Exigences : Établissement des spécifications techniques pour l'intégration avec les plateformes LMS (Learning Management System) et le respect des normes SCORM.</li><li>Architecture Cloud : Conception d'une infrastructure basée sur le Cloud (envisageant Azure, avec une approche générique pour d'autres clouds) pour l'hébergement des environnements de laboratoire virtuels.</li></ul>2. Développement du Produit Minimum Viable (MVP)<ul><li>Accès au Labo : Intégration de technologies d'accès à distance sécurisé, comme Apache Guacamole, pour fournir un accès web aux environnements de laboratoire basés sur des machines virtuelles ou des conteneurs.</li><li>Expérience Utilisateur : Mise en œuvre d'une interface web simple (Proof of Concept) permettant aux utilisateurs de démarrer et d'arrêter des laboratoires à la demande.</li><li>Persistance de l'État : Implémentation d'une méthode pour sauvegarder les informations d'état de l'utilisateur et du laboratoire (potentiellement dans l'URL ou dans un service de persistance léger) pour permettre aux étudiants de reprendre leur travail.</li><li>Contenu Interactif : Intégration du support pour l'embarquement de guides de laboratoire interactifs utilisant des formats comme les Jupyter Notebooks, facilitant le développement de contenus par les équipes internes.</li></ul><h3>Résultat (Valeur Ajoutée &amp; Impact)</h3><ul><li>Preuve de Faisabilité (PoC) : Livraison d'une démonstration fonctionnelle (Demonstration-quality target) permettant aux équipes de développement Nokia de visualiser immédiatement l'usage de cette nouvelle infrastructure.</li><li>Alignement Stratégique : Le projet a permis d'aligner la stratégie de formation sur les objectifs de l'entreprise (DevOps Culture, Cloud-based labs) et de préparer le terrain pour de nouvelles offres d'apprentissage payantes.</li><li>Réduction de la Dépendance : Mise en place d'une solution interne pour les laboratoires, réduisant la dépendance à des plateformes externes et offrant un contrôle total sur l'environnement de formation.</li><li>Facilitation du Contenu : Création d'un environnement (Jupyter/Guacamole) simple d'utilisation pour les développeurs de contenu, simplifiant la création de "Adaptive Learning Objects" et de labs pratiques.</li></ul><h3>Stack Technique</h3><ul><li>Infrastructure Cloud : Microsoft Azure (ou approche hybride/générique), services de VM/Conteneur.</li><li>Technologie d'Accès : Apache Guacamole (ou similaire) pour l'accès aux terminaux.</li><li>Langages/Développement : Python (pour les scripts de laboratoire et le backend), HTML/CSS/JavaScript.</li><li>Outils Pédagogiques : Jupyter Notebooks (pour les guides interactifs), LMS API, SCORM.</li><li>Méthodologie : Conception d'un MVP, Alignement sur les pratiques DevOps.</li></ul>

Python

Azure

Développement d'une Infrastructure de Laboratoires d'Auto-Apprentissage Web

Jems Group

Ce projet a consisté à concevoir et implémenter une architecture de plateforme de données évolutive sur Google Cloud Platform (GCP) pour l'ingestion, le traitement et l'analyse des métriques critiques des sondes embarquées sur des automobiles.<h3>Contexte (Situation &amp; Objectif)</h3><ul><li>Problématique : Une équipe de R&amp;D cherchait à industrialiser un système de collecte et d'analyse des métriques critiques (vitesse, température, carburant, etc.) issues d'une flotte de véhicules IoT.</li><li>Défi : Établir un Proof of Concept (PoC) initial en mode Batch (historique) et garantir une transition fluide vers un système de traitement en Temps Réel (Streaming) capable de gérer la croissance du parc automobile.</li><li>Objectif : Fournir une plateforme unique, scalable et fiable, capable d'offrir une latence minimale pour la surveillance opérationnelle.</li></ul><h3>Action (Étapes et Mise en Œuvre)</h3>J'ai piloté l'implémentation de l'architecture en utilisant l'approche de la "Kappa Modifiée" sur GCP, en m'assurant que tous les pipelines de transformation étaient définis en Python pour une maintenance simplifiée.1. Conception et Déploiement du Pipeline Batch (Historique - PoC)<ul><li>Stockage et Ingestion : Déploiement de Cloud Storage pour les données brutes et organisation des jeux de données.</li><li>Traitement des Données : Utilisation de Cloud Dataproc pour exécuter des jobs PySpark sur les données historiques. Ces jobs ont été essentiels pour le nettoyage initial, la validation des schémas, et la modélisation des données brutes.</li><li>Chargement : Les résultats ont été chargés dans BigQuery pour établir la base d'analyse historique.</li></ul>2. Transition vers le Pipeline Streaming (Temps Réel)<ul><li>Couche d'Ingestion : Mise en place de Cloud Pub/Sub pour découpler les émetteurs (sondes) du système de traitement, assurant l'élasticité face aux variations du volume de messages.</li><li>Pipeline de Transformation : Développement d'un pipeline serverless en Python (Apache Beam) sur Cloud Dataflow. Ce pipeline s'abonne à Pub/Sub et applique des transformations critiques à la volée (ex: agrégation sur fenêtres de 5 minutes, enrichissement des données de localisation).</li><li>Destination : Alimentation des tables de streaming de BigQuery, permettant aux analyses Batch et Streaming de converger sur le même entrepôt.</li></ul>3. Visualisation Opérationnelle<ul><li>Modélisation : Application d'un Modèle en Étoile (Star Schema) dans BigQuery, optimisant les performances des requêtes analytiques.</li><li>Tableaux de Bord : Connexion de BigQuery à Looker Studio pour créer des tableaux de bord dynamiques, affichant à la fois les tendances historiques et les métriques en temps réel (ex : Impact du traitement des données par Data Flow).</li></ul><h3>Résultat (Valeur Ajoutée &amp; Impact)</h3><ul><li>Scalabilité Prouvée : Transition réussie du Batch au Streaming, prouvant la capacité de l'architecture à supporter l'industrialisation sans réécriture majeure du moteur analytique (BigQuery).</li><li>Performance en Temps Réel : Réduction de la latence du système (bout-en-bout) à moins de 3 secondes, permettant une surveillance et une alerte quasi instantanées des indicateurs critiques des véhicules.</li><li>Fiabilité : Le pipeline Dataflow a été configuré pour garantir la livraison exacte des messages (Exactly Once Processing), assurant la fiabilité et l'intégrité des données malgré la volatilité du réseau IoT.</li><li>Expertise Technique : Démontre la maîtrise des outils cloud-natifs de GCP (Pub/Sub, Dataflow, Dataproc, BigQuery) et du développement de pipelines en Python.</li></ul><h3>Stack Technique</h3><ul><li>Cloud Computing : Google Cloud Platform (GCP)</li><li>Ingestion/Messagerie : Cloud Pub/Sub</li><li>Traitement de Flux : Cloud Dataflow (Apache Beam Python)</li><li>Traitement Batch : Cloud Dataproc (PySpark)</li><li>Entrepôt de Données : BigQuery (Modèle en Étoile), Cloud Storage</li><li>Langage Principal : Python</li><li>Visualisation : Looker Studio</li></ul>

Data Engineering

Mise en place d'un système de traitement de données IoT automobile évolutif sur GCP 

Freelance

Contexte : Pour répondre à des besoins croissants de performance et de scalabilité dans un environnement à forte charge, j'ai conçu et déployé une architecture d'agents Jenkins dynamiques, éphémères et scalables, fondée sur une approche Container as a Service (CaaS) sur(GCP).Action :<ul><li>Automatisation du déploiement d'agents Jenkins via Docker et Kubernetes (GKE) sur GCP, avec des images conteneurisées personnalisées par type de job (compilation Java, tests Node.js, déploiement Python).</li><li>Orchestration des ressources à la demande avec Kubernetes : création automatique de Pods pour chaque exécution de job et nettoyage immédiat après utilisation.</li><li>Intégration d'une stack de monitoring avec Prometheus (collecte de métriques), Grafana (visualisation) et Cloud Monitoring de GCP pour le suivi des performances et l'optimisation des coûts.</li><li>Scripting en Python pour l'automatisation des tâches spécifiques (génération de rapports, intégrations API) et utilisation de Terraform pour l'infrastructure as code (déploiement et gestion du cluster GKE, réseaux, politiques IAM).</li></ul>Résultat :<ul><li>Réduction de 40% du temps d'exécution moyen des pipelines CI/CD.</li><li>Optimisation des coûts d'infrastructure de 35% grâce à l'allocation éphémère des ressources sur GCP.</li><li>Amélioration significative de la fiabilité (99,9% de disponibilité) et de l'isolation des environnements de build.</li><li>Solution alignée CaaS permettant une gestion agile, évolutive et économique des ressources CI/CD sur GCP.</li></ul>Stack technique: Jenkins, Kubernetes (GKE), Docker, GCP, Terraform, Python, Prometheus, Grafana, Git, Bash

Saniar EDUARDO

DevOps/Data Engineer

À propos

Expérience de travail

Ingénieur DevOps

Consultant Big Data Cloud

Assistant informatique

NokiaEDU Cloud Lab Developer

Chargé d'études du réseau FTTH Orange

Poseur en isolation thermique par l'extérieur

Formation

Fitec Formation

ESIPE - École supérieure d’ingénieurs de Paris-Est

Université Paris Nanterre

IUT Henri Poincaré de Longwy (Université de Lorraine)

Universidade Agostinho Neto

Licences et certifications

Professional Data Engineer

Architecturer et administrer une infrastructure cloud sécurisée

Portfolio