Younes Essoualhi

● Réalisation de la migration de la plateforme data de Cognite Data Fusion vers GCP, permettant de réduire les coûts d’infrastructure et d’améliorer la scalabilité pour supporter l’augmentation des données industrielles. ● Optimisation des pipelines d’extraction des données industrielles via API, amélioration des performances et réduction de la latence d’exécution de 30 %, afin de fiabiliser et accélérer la disponibilité des données. ● Industrialisation des pipelines et mise en place d’une démarche CI/CD par la structuration des déploiements via GitHub Actions et Cloud Build pour garantir une automatisation des tests et déploiements sécurisés. ● Déploiement des applications et job sur Cloud Run pour les composants du flux du traitement des données . ● Recueil et analyse des besoins métiers pour la modélisation des données et la définition des KPI de production issus des transformations réalisées. ● Conception et développement des pipelines ELT avec dbt pour transformer et structurer les données dans BigQuery afin de produire des tables analytiques fiables et adaptées aux besoins métiers. ● Orchestration des workflows avec Airflow : orchestration des traitements de bout en bout, depuis l’ingestion des données JSON stockées sur Google Cloud Storage jusqu’à l’alimentation des tables analytiques, avec gestion des dépendances et planification des jobs. ● Création de dashboards de suivi des KPI sous Looker Studio : afin de rendre les indicateurs accessibles et exploitables permettant aux équipes de production d’optimiser les performances des lignes industrielles.

● Définition de l’architecture de collecte de données basée sur PostgreSQL et automatisation de l’acquisition des données issues de différentes sources (capteurs, théodolites), afin de centraliser, fiabiliser et historiser les données. ● Développement et industrialisation des pipelines ELT avec dbt pour transformer les données brutes en données structurées et calculer les KPI métiers nécessaires à l’analyse. ● Orchestration des workflows de traitement avec Airflow, via la conception et le développement de DAGs assurant l’automatisation, la planification et la gestion des dépendances des pipelines. ● Développement de dashboards interactifs sous Power BI, permettant aux équipes métiers de visualiser et analyser l’évolution temporelle des données et des indicateurs clés. ● Analyse exploratoire et statistique des données et développement de modèles de machine learning (régression, Random Forest) pour la prédiction des variables métier. ● Industrialisation des modèles via le développement d’API REST avec FastAPI, intégrées dans une chaîne CI/CD, permettant leur déploiement automatisé et leur exploitation dans les systèmes applicatifs.

● Automatisation de la collecte et de l’intégration des données issues de multiples sources, afin de centraliser et fiabiliser les flux de données. ● Développement de processus de prétraitement et de contrôle qualité des données (Data Quality), permettant d’assurer la cohérence, la fiabilité et l’exploitabilité des données. ● Réalisation d’analyses statistiques sur les données issues des essais géotechniques, afin d’identifier les tendances et d’améliorer la compréhension des phénomènes étudiés. ● Automatisation des calculs et des traitements basés sur les modèles géologiques, permettant de réduire les traitements manuels.