Wessim Slimi

CMA-CGM (Freelance) Marseille, France — Plateforme Agentic AI temps réel (SmartShip) : architecture et déploiement d’un framework Agentic AI au-dessus des flux Kafka + Flink : des agents autonomes consomment en continu la télémétrie navire en direct, raisonnent sur le contexte opérationnel via des pipelines RAG synchronisés avec les flux streaming, et exécutent des actions de diagnostic et opérationnelles sans intervention manuelle. — Modélisation & livraison end-to-end : prise en charge complète de problèmes maritimes haute fréquence, de la formulation mathématique jusqu’à la mise en production — design de l’architecture streaming, implémentation des pipelines Flink/Kafka et intégration de la couche AI/agent par-dessus, en m’appuyant sur ma formation en Mathématiques & Ingénierie Computationnelle pour faire le pont entre les modèles R&D et les systèmes runtime. — Inférence ML ultra-faible latence : modèles ML (ONNX) embarqués directement dans des opérateurs stateful Apache Flink; tuning des state backends, de la sérialisation et du checkpointing pour atteindre une latence d’inférence <10ms stable, permettant de l’alerting prédictif temps réel sur des opérations maritimes critiques. — Streaming Data Lakehouse : implémentation d’un Lakehouse modulaire avec Apache Iceberg sur S3 via AWS Glue Catalogs et IAM fine-grained, permettant un accès zero-copy depuis Snowflake. Optimisation des metadata et du partitioning pour des requêtes 50% plus rapides qu’avec le legacy Hive, fournissant un feature store temps réel pour les agents et les modèles ML. — Infrastructure as Code & fiabilité : standardisation du cycle de vie complet des workloads streaming et AI avec Terraform et GitLab CI, automatisation du provisioning de ressources AWS hautement disponibles (MSK, EMR, Lambda, Step Functions) — 99.99% de cohérence d’environnement et reprise plus rapide en cas d’incident. — Pont métier-technique & leadership transverse : collaboration quotidienne avec les data scientists R&D, analystes et experts métier pour traduire les besoins en architectures streaming/AI scalables. Référent technique à l’intersection Data Science / Production Engineering, en imposant des standards de code, des protocoles de tests de performance et des data-quality gates pour pousser des modèles complexes en production. Technologies : AWS (MSK, Kinesis, Glue, S3, Lambda, Step Functions, EMR), Apache Kafka, Apache Flink, Apache Spark, Airflow, Iceberg, Snowflake, ONNX, LangChain / Agentic frameworks, Java, Scala, Python, SQL, Docker, Terraform, Git, GitLab CI

— Backbone streaming critique : conception et exploitation de l’infrastructure Apache Kafka cœur de plateforme (15+ brokers), source de vérité unique pour toutes les applications AI temps réel, garantissant 99.99% de disponibilité pour l’injection de contexte LLM en production et les jobs Flink en aval. — Feature store temps réel : implémentation d’un Lakehouse modulaire avec Apache Iceberg sur S3, offrant point-in-time recovery et ingestion/validation instantanée pour les modèles RAG et prédictifs — 50% plus rapide en requêtage que le legacy. — Fiabilité & gouvernance : mise en place d’une gouvernance stricte des schémas et de stratégies de partitioning pour éliminer le data drift et garantir des inputs déterministes et de haute qualité — prérequis indispensable à des sorties GenAI fiables. — Industrialisation du cycle de vie : industrialisation du cycle de vie complet des produits data avec AWS, Flink, Spark et Iceberg, faisant passer l’organisation du stade des prototypes expérimentaux à des systèmes réels à fort imp

— Transformation cloud-native : pilotage de la migration de traitements batch SQL monolithiques vers des architectures event-driven serverless et scalables avec AWS Lambda, Step Functions et EMR, réduisant fortement le couplage des pipelines et la maintenance manuelle. — Efficience d’infrastructure : optimisation de l’utilisation des ressources cloud, réduisant les coûts opérationnels de 30% via l’application de politiques de cycle de vie des données, le right-sizing EC2 et la migration stratégique de workloads compute-intensifs vers des services serverless. — Fondations streaming : mise en place de l’infrastructure cœur de streaming et data (AWS MSK, Kinesis, Glue), constituant le socle robuste et scalable qui a ensuite permis les initiatives AI temps réel à fort débit.