Thomas JASSEM

• Ownership produit & leadership technique : Référent technique et fonctionnel de l'API de recommandation e-commerce (+5M d'appels/jour). Pilotage de la roadmap en interface directe avec 5 équipes produit (App, Web, Métiers). Rôle de senior référent auprès de 3 Data Engineers et 2 Data Scientists : revues de code, orientations d'architecture et montée en compétences. • Refonte architecture critique : Direction technique de la migration complète ElasticSearch → BigTable (clé-valeur) en partenariat avec les Data Scientists. Réduction du temps de réponse de >5s à <200ms (−96%) sur une API de production à fort trafic. • Modern Data Stack et réduction des coûts : Conception et optimisation des référentiels de données critiques (navigation, transactions) via DataForm et BigQuery. Réduction significative des coûts cloud. • Référentiel d'analyse du comportement web : Construction d'un référentiel dédié à l'analyse du parcours utilisateur à partir des données Google Analytics, exploité par les équipes produit, marketing et data science. • IA générative en production : Pipeline bout-en-bout exploitant Gemini Batch pour l'enrichissement et le tagging sémantique de centaines de milliers de descriptions produits, de l'idéation au déploiement.

• Formation de haut niveau : Conception et animation de sessions intensives (format 1 semaine) — apprentissage profond (TensorFlow), Big Data (Spark/Scala : Streaming, GraphX, Spark ML) et cas d'usage d'IA générative. • Impact mesurable : Plus de 100 professionnels formés (Data Scientists, Data Engineers, Ingénieurs IA) au sein de +15 entreprises, dont l'AMF.

• MLOps et industrialisation : Déploiement de modèles prédictifs en production sur Azure (churn, scoring déménagement). Cycle de vie standardisé via MLflow (versioning sur le meilleur score F1, model registry) et pipelines CI/CD Azure DevOps. • Performance algorithmique : Reprise et parallélisation d'un algorithme legacy C++ de clustering de séries temporelles sur Azure Databricks (PySpark, Pandas UDF, Delta Lake). Temps de traitement divisé par 24 (48h → 2h). • API & automatisation métier : API Python (Azure App Services) permettant aux métiers de requêter les modèles en temps réel, et automatisation des livrables hebdomadaires.

• Algorithme primé au niveau national : Modèle « Moment Marketing Optimization » optimisant l'affichage publicitaire selon le triptyque jour / heure / type de connexion. Lauréat du prix de la Meilleure Campagne Marketing Digital. • Scalabilité big data : Migration de prototypes Python (Pandas, Scikit-learn) vers des pipelines distribués Spark ML sur GCP (Parquet). Traitement de plusieurs téraoctets de données de navigation. • Vulgarisation & prise de parole : Présentation de la solution lors de conférences majeures sur l'IA appliquée au marketing.