Tarek EL KOUASMA

During my mission at Accenture for Michelin, I contribute as a Data Engineer to the development of a climate-risk analytics application used by manufacturing sites to assess climate hazard exposure and potential human/business impacts. Big Data Ingestion (Azure + Databricks): I ingest and process hundreds of millions of climate and geospatial records (Parquet, GeoTIFF, spatial layers) stored in Azure Data Lake Storage (ADLS), building scalable ETL pipelines using Databricks, PySpark, and Delta Lake. Data Modeling: I design and implement data models supporting climate risk analysis, vulnerability scoring, and impact estimation, ensuring performance, consistency, and analytical usability. Data Delivery (SQL Warehouse): I expose clean and optimized datasets through Databricks SQL Warehouse, Delta tables, and the Databricks REST API, enabling efficient integration with the backend. Data Quality & Validation: I implement automated data quality checks, validation rules, and monitoring to guarantee accuracy, completeness, and reliability across climate and operational datasets. Backend & Database Contribution: I design the PostgreSQL schema and contribute to the backend API using Python, FastAPI, SQLAlchemy, and best practices for data-access layers. Collaboration & Agile Delivery: I work closely with the team lead, backend, and frontend developers in a Scrum + Kanban environment to deliver high-quality, production-ready data assets.

During my year at Michelin, I contributed to two pivotal projects aimed at optimizing tire textile reinforcements through AI to enhance efficiency and innovation: Data Management: Managed and refined a variety of data, including traction test results and manufacturing details, necessitating precise normalization. EDA: Identified key trends and correlations using visual and statistical methods, setting a foundation for predictive modeling. Predictive Modeling: Leveraged machine learning to predict properties of textile reinforcements, entailing curve standardization and model fine-tuning. Bayesian Optimization: Optimized machine parameters to boost performance efficiently, applying trial data for accurate calibration without undue expenses or delays. Collaboration: Partnered with engineers and researchers, promoting a novel, data-centric approach to propel project development. Lors de mon alternance chez Michelin, j'ai travaillé sur deux projets essentiels pour le développement de renforts textiles pour pneus via l'IA, visant une plus grande efficacité et innovation : Gestion de Données : Traitement et affinement de données diverses, incluant résultats d'essais de traction et détails de fabrication, nécessitant une normalisation précise. EDA : Mise en évidence de tendances et corrélations clés par des analyses visuelles et statistiques, préparant le terrain pour la modélisation prédictive. Modélisation Prédictive : Utilisation du machine learning pour estimer les propriétés des renforts textiles, nécessitant standardisation des courbes et ajustement fin des modèles. Optimisation Bayésienne : Réglage des paramètres de machines pour améliorer l'efficacité, en s'appuyant sur des données d'essai pour une calibration précise, évitant des coûts et retards inutiles. Collaboration : Collaboration étroite avec ingénieurs et chercheurs pour encourager une approche novatrice axée sur les données, favorisant l'avancement des projets.

During this internship, I contributed to a project aimed at enhancing sustainable mobility by analyzing the carbon footprints of car journeys. This allowed me to: - Analyze open data for calculating the carbon footprint of car journeys, navigating around GDPR restrictions. - Conceptualize an algorithmic model to estimate direct and indirect carbon emissions, incorporating data provided by ADEME. - Clean and profile data using tools like Pandas Profiling and Great Expectations, ensuring the accuracy - and reliability of results. - Create a NLP preprocessing pipeline and apply "Fuzzy String Matching" for a better matching of vehicle data, significantly improving the quality of the analysis. - Work in a team and communicate: Active participation in a multidisciplinary team, learning to effectively communicate results to a variety of partners and to work in synergy with professionals from different backgrounds. Durant ce stage, j'ai contribué à un projet visant à améliorer la mobilité durable en analysant les empreintes carbone des trajets automobiles. Cela m'a permis de : - Analyser de données en open data pour le calcul de l'empreinte carbone des trajets automobiles, naviguant autour des restrictions du RGPD. - Conceptualiser d'un modèle algorithmique pour estimer les émissions carbone directes et indirectes, intégrant des données fournies par l'ADEME. - Nettoyer et profiler des données avec des outils comme Pandas Profiling et Great Expectations, assurant la précision et la fiabilité des résultats. - Créer un pipeline de prétraitement NLP et appliquer un "Fuzzy String Matching" pour une meilleure correspondance des données de véhicules, améliorant significativement la qualité de l'analyse. - Travailler en équipe et communiquer : Participation active dans une équipe multidisciplinaire, apprenant à communiquer efficacement les résultats à des partenaires variés et à travailler en synergie avec des professionnels de différents horizons.