Thameur ABDELGHANI

DESCRIPTIF PROJET: • Au sein de l'équipe Data Referential Directional, le rôle se concentre sur la conception, la maintenance et l'amélioration des pipelines de données ETL soutenant les stratégies directionnelles et de trading. TACHES: • Concevoir et implémenter de nouvelles fonctionnalités pour les pipelines de données existants via Pandas, Polars et PySpark. • Maintenir les packages, procédures et fonctions PL/SQL existants. • Garantir l'exécution quotidienne fiable des pipelines programmés via l'outil d'ordonnancement interne et Apache Airflow. • Migrer les jobs on-premise vers AWS. • Développer un POC d'agent RAG (Retrieval-Augmented Generation) utilisant Streamlit, FastAPI et LangGraph pour la gestion des alertes récurrentes ENVIRONEMENT TECHNIQUE ET FONCTIONNEL : • Industries : Hedge Fund / Finance • Langages : Python, SQL, Shell • Base de données : Oracle (PL/SQL) • Frameworks et outils: Spark, Airflow, Kafka, FastAPI, Streamlit, LangGraph • CI/CD : Git, GitLab, SonarQube, Jenkins • Compétences fonctionnelles : Connaissance approfondie des produits et instruments financiers (Obligations, contrats à terme/futures, matières premières...) • Méthodologie : Agile Scrum (cérémonies quotidiennes, revues de sprint, affinement du backlog, rétrospectives), revues de code…

DESCRIPTIF PROJET : • Renforcer et enrichir l’Engine, un framework interne de contrôle de qualité de données. • Adaptation et déploiement de l’Engine sur de nouvelles plateformes / environnements • Mise en place d’outils génériques internes pour les besoins IT 4 IT et réduction de la dette technique TACHES : • Rajout de nouvelles fonctionnalités au moteur de contrôle de qualité de données • Migration de l’Engine développé en Spark Scala de Spark 2 à Spark 3 • Déploiement de l’Engine sur Databricks AWS • Conception et développement d’une version light-weight de l’Engine en python • Orchestration des jobs de l’Engine avec Apache Airflow • Onboarding des utilisateurs utilisant Azure Data Factory • Maintien et évolution des tableaux de bord Power BI • Maintien et amélioration de la chaîne CI/CD ENVIRONEMENT TECHNIQUE ET FONCTIONNEL : • Secteurs : Banque • Langages : Scala, Python, SQL, Shell • Base de Données : PostgreSQL • Frameworks et outils: Spark, Hadoop, Databricks, Airlow, Kafka • Plateformes: AWS (EC2, S3, Lambda, Glue…), Azure (HDI, Data Factory, Storage…) • CI/CD : Git, GitHub, SonarQube, Jenkins, Docker, Terraform • Compétences Fonctionnelles : approfondissement de connaissances dans le domaine bancaire et les exigences en termes de qualité de données • Méthodologie : Agile Scrum (cérémonies daily, sprint review, backlog refinement, rétrospectives…), code reviews…

DESCRIPTIF PROJET : • Répondre aux différents besoins métiers en termes de mises à disposition de données : ingestion de données SIO, enrichissement des couches Business Layer et Serving Layer et exposition des données pour les partenaires. • Préparation de données pour les modèles de Machine Learning relatifs aux besoins règlementaires • Migration de HDP (Hortonworks Data Platform) vers CDH (Cloudera Distributed Hadoop) • Mise en place d’outils génériques internes pour les besoins IT 4 IT et réduction de la dette technique TACHES : • Collecte et ingestion de données envoyées par les partenaires • Développement de jobs Spark d’enrichissement des couches Business Layer et Serving Layer • Développement de scripts Hive HQL pour l’alimentation et l’analyse de données • Développement de scripts Shell pour l’orchestration des jobs Spark et scripts HQL • Exposition de données sur Apache SolR • Migration des flux depuis HDP vers CDP • Développement de notebooks et bundles Dataiku DSS pour des de transformation et analyse de données. • Industrialisation de modèles de Machine Learning de calculs de score LCBFT et score fraude ENVIRONEMENT TECHNIQUE ET FONCTIONNEL : • Secteurs : Banque • Langages : Python, Scala, SQL, Shell • Base de Données : Hive, Apache SolR, PostgreSQL • Frameworks et outils: Spark, Hadoop / HDFS, Kafka, Solr, Dataiku DSS • Plateformes: HDP, CDP • CI/CD: Git, GitLab, Gitlab-CI, Docker • Compétences Fonctionnelles : approfondissement de connaissances dans le domaine bancaire surtout l’aspect règlementaire (LCB-FT, lutte contre la fraude RGPD…) • Méthodologie : Agile Scrum (cérémonies daily, sprint review, backlog refinement, rétrospectives…), code reviews…

DESCRIPTIF PROJET : • Ingestion, intégration et analyse de logs provenant d’applications partenaires d’Orange Bank • Migration du SI vers cloud AWS TACHES : • Collecte de données de logs envoyés par les partenaires • Développement des packages SSIS et intégration dans Azure Data Factory • Maintien et évolution des tableaux de bord Power BI • Enrichissement avec les données du Datawarehouse de la banque • Développement de jobs Spark d’enrichissement de données • Stockage des données enrichies dans Elasticsearch • Orchestration des flux via Nifi • Migration des applicatifs vers AWS • Refonte de traitements avec Apache Airflow ENVIRONEMENT TECHNIQUE ET FONCTIONNEL : • Secteurs : Banque • Langages : Python, SQL, Scala • Base de Données : SQL Server, Hive, Elasticsearch • Frameworks et outils: Spark, Hadoop, Kafka, Nifi, Airflow, Rasa chatbot • Plateformes: MS SQL Server, Azure Data Factory, AWS (S3, EC2, Lambda, Kinesis…) • CI/CD : Git, Bitbucket, Jenkins, Docker, Azure Devops, Terraform • Compétences Fonctionnelles : introduction au domaine bancaire : core banking, CRM, chatbot… • Méthodologie : Kanban

DESCRIPTIF PROJET : • POC moteur connecté salon Big Data Paris : modèles de prédiction de pannes TACHES : • Choix et paramétrage du modèle de prédiction : apprentissage sur un échantillon labélisé • Comparaison de modèles • Récupération des données et implémentation du modèle choisi • Restitution des résultats dans un Dashboard R-Shiny ENVIRONEMENT TECHNIQUE ET FONCTIONNEL : • Secteurs : Télécom • Langages : R, python • Outils : Elasticsearch • Méthodes : régression logistique, naive bayes

[FRImplémentation d’algorithmes de Machine Learning supervisés et non supervisés aidant les ingénieurs Process de mieux appréhender la qualité des pièces produites et d'identifier les dérives de production.. -Collecte, exploration et analyse de données -Création d'une application web sous R-Shiny de visualisation des données et des indicateurs -Identification des profils de pièces atypiques et les causes racines potentielles expliquant ces anomalies Mots clés: Data Viz, Data models, Apprentissage supervisé, Apprentissage non supervisé, détection d'anomalies Technologies: R, R-Shiny, Python, Git [ENG] Implementing supervised and unsupervised Machine Learning algorithms allowing Process engineers to better assess produced parts quality and identifying production process issues. -Collect, explore and process available data -Create a web Application withR-Shiny allowing visualisation of data and indicators -Detect atypical parts and potential causes originating these anomalies Key words: Data Viz, Data Models, Supervised learning, Unsupervised learning, Anomalies detection Technologies: R, R-Shiny, Python, Git