Walid Chergui

- Réorganisation des équipes de dev/data et data sciences. - Modernisation des outils et processus de dev (Gitlab, CI/CD, Kubernetes, Kubflow, MLflow, Airflow…) - Définition de la roadmap des produits internes (ETL, plateforme de supervision des jobs, exposition de la data en temps réelles ....) - Mise en oeuvre de la roadmap (Choix d’architecture, les outils, planning, développement…) - Recrutement des data engineers et data scientistes. - Supervision des POC ( Déduplication basé sur deep learning, ETL sur GPU/ Rapids, ML models interoperability via ONNX, ML ops …) - Coordination avec l’équipe infra Environnement Technique: Scala, Spark, Kubernetes, Http4s, cats, ZIO, Airflow, Cloudera, Rapids/Nvidia, Pytorch, MLflow, infra (AWS, Azure, On-premise)

Conception and the build of a real-time banking fraud detection platform, with high latency constraints (< 100 ms) Environnement Technique : Scala, Kafka, Confluent.io plateforme, Kafka streams, Flink, Cassandra, Play! Framwork, Hadoop Hortonworks, Grafana.

Explorimmo : Architecture et mise en place d’un nouvelle version de la pipeline l’import des annonces immobilières Création des Jobs d’import Apache Beam Import, validation et stockages des annonces sur Elasticsearch et Bigtable L’implémentation de L’api rest d’exposition Dockerization et déploiement sur Kubernetes Environnement Technique : Scala, Akka, Play !, Cats, Shapless, Apache Beam, Google Pubsub, Postgresql, Docker, Kubernetes.

Nat : La prédictions des panes des trains , a fin d’améliorer la maintenance prédictive Optimisation des performances des jobs Spark. Mise en place d’un pipeline de deployement dev et prod. Dockerarisation d’un environnement de développement. Mise en place des pratiques du clean code, testes unitaires, pair review, intégration continue… Migration vers le cloud. Technologies: Scala, Spark,Machine Learning, Hadoop (Hdfs, Yarn…), AirFlow, Elasticsearch, Jenkins, Docker.

GoldenEye : Un poc pour la détection des objets par réseaux de neurones Classification des images via les réseaux de neurones (deep learning - CNN) Détection des objets dans des images via Fast R-CNN Technologies: Scala , Deeplearning4j, Scikit-learn, Theano, Keras, GraphLab, PostgreSQL , Aws

Matching neuf: un moteur d'indexation des véhicules neufs. Anti-Crawl : Agrégation des logs pour la détection des crawleurs. La cote : Prédire la cote des véhicules d’occasion à l’aide du Maching learning Technologies: Java, Scala, Spark, R, Machine learning, ElasticSearch, AWS (ELB , Cloudformation, S3, ElasticCache...) , Ansible, Springboot, RxJava, Gatling .

Digiposte est un service permettant d’agréger tous les documents personnels émis par des partenaires (factures, relevés bancaires) sur un même site.Migration du site en PHP vers une stack essentiellement Java. J’ai travaillé sur la création d'une API REST versionnée en Java, couvrant les besoins du frontend AngularJs , et les applications mobiles , et également exposée à des partenaires. Technologies: Java, Spring (Ioc, Batch, Integration, AMQP, Security, MVC, Data), CXF, RabbitMQ, MyBatis, Liquibase, Swagger, Gson, Git, Maven, Tomcat, Puppet, Capistrano, NewRelic, Metrics, Graphite, YourKit, Mockito, RestAssured.. Metodologie : TDD , Scrum , Integration continue .

Deployed in more than 20 countries, RSITE is the E-commerce platform of the french car manufacturer Renault. On a daily basis, my work was to develop new features for the application, Typical tasks were front and back end components development, webservices conception and realization (both clients and servers), and mobile application conception, following a strict TDD process. Technical Stack : JEE : Java6, Spring 3, Hibernate 3, Stripes 1.5, GWT 1.7, CXF, Axis, Spring Batch Front : , AngularJs , Javascript, Mootools, jQuery-UI DB : Oracle 10/11g, MongoDB, ElasticSearch Integration : Maven, Shell, Jenkins/Hudson, Sonar Testing : Mockito, DBUnit, TestNG Misc : Groovy, Play!Framwork , Socket.io