ZAKARIA KHCHICHE

Conception et mise en production d'agents IA et de solutions d'IA générative pour les directions métiers, du prototype à l'industrialisation. Résultats : 20 cas d'usage d'IA générative développés, plus de 200 agents IA mis en production. - Qualification technique des cas d'usage IA (modèles, connecteurs, données, sécurité) - Agents et solutions conversationnelles : Azure AI Foundry, Copilot Studio, Azure OpenAI ; intégration SharePoint, Dataverse, API métiers - Socle IA sur Azure AI Foundry : AI Gateway, routage multi-LLM (coût, latence, sensibilité des données), gestion des accès, observabilité - Pilotage de bout en bout et accompagnement des utilisateurs ; Power BI - Travail avec la DSI et la cybersécurité : conformité, accès, traçabilité Environnement : IA générative, Azure AI Foundry, Azure OpenAI, Copilot Studio, Power Platform, Power Automate, Power BI, Python, Microsoft 365

Conception et évolution de plateformes data dans des environnements cloud et on-premise. - Ingestion et transformation : workflows Databricks, Prefect, Spark, SQL et Python, optimisés pour la performance et la gouvernance - Virtualisation et gouvernance des données avec Denodo (traçabilité, sécurité) - Déploiement sous Docker et Kubernetes, approche DevOps et CI/CD - Architecture cloud sur AWS (S3, Glue, Lambda, ECS), Azure (Data Factory, Synapse, AKS) et Databricks Lakehouse Environnement : Databricks, Spark, Prefect, Denodo, Python, SQL, Docker, Kubernetes, AWS, Azure

Plateformes data du groupe SNCF sur Azure. - Pipelines d'ingestion et de transformation sur Azure Databricks et Spark - Orchestration avec Airflow, stockage Delta Lake - Restitution et indicateurs avec Power BI Environnement : Azure Databricks, Spark, Python, SQL, Airflow, Delta Lake, Power BI

- Participer à la définition de la solution informatique applicative des applications confiées, - Réaliser les conceptions techniques et détaillées, - Concevoir, analyser, coder et tester les évolutions applicatives du parc en responsabilité, conformément aux besoins et dans le respect des normes et procédures, - Garantir de la cohérence et de la pérennité des développements, - Participer à l'amélioration de la qualité et la performance, - Intervenir dans la gestion des problèmes et dans la résolution d'incidents, - Contribuer à l'élaboration des standards techniques, - Œuvrer en contexte agile utilisation de Jira et participation à la comitologie agile en place), - Participer à la définition de la solution informatique applicative des applications confiées. Environnement technique : BIG DATA, Hadoop, SPARK, HIVE, Hbase, Dataiku, Oracle, Mysql

- Traitement de la donnée (spark, scala, python, sur databricks) - Modélisation de base de donnée - Création de pipeline - Calcul automatique distribué sous Spark (scala, pyspark) - Orchestration de la donnée sur Microsoft Azure via datafactories - Industrialisation de modèle de machine Learning (IA, ml ops) - Monitoring de data Lake - Développement de pipelines avec Datafactories - Procédure stocké en SQL - Injection de données dans des bases de données NoSQL (cosmos dB, redis, ...)

- Concevoir des solutions de données permettant de collecter, de nettoyer, d’organiser, de synthétiser et de modéliser efficacement les données ; - Déployer et optimiser des flux de donnés complexes avec Azure Data Factory pour l’ingestion des données, Databricks pour le chargement, transformation et stockage des données en format parquet/delta tables et Spark/Python/Scala pour le développement des librairies de chargement et de transformation ; - Mettre en place les pipelines de CI/CD permettant de valider la qualité de code et d’assurer des déploiements simplifiés ; - Assurer le suivi de la qualité des données et de la bonne mise en œuvre des règles de gouvernance ; - Travailler en étroite collaboration avec les Data Scientists et les lignes d’affaires ;

- Création d'architecture data - Traitement de la donnée - Modélisation de base de donnée - Création de pipeline - Calcul automatique distribué sous Spark (scala, pyspark) - Orchestration de la donnée sur Microsoft Azure grâce a Kubernetes - Industrialisation de modèle de machine Learning (IA, ml ops) - Monitoring de data Lake via Centreon - Développement de pipelines avec Datafactories - Procédure stocké en SQL - Injection de données dans des bases de données NoSQL (cosmos dB, redis, ...)

Identifier les besoins et la problématique des directions métiers Définir une modélisation statistique qui permette de répondre à la problématique Construire des outils d'analyse pour collecter les données de l'entreprise. Sourcer et rassembler l'ensemble des sources de données structurées ou non structurées nécessaires à l'analyse et pertinentes Organiser, étudier et synthétiser ces sources de données sous forme de résultats exploitables Modéliser les comportements et en extraire de nouveaux usages utilisateurs - Outils: Python R SQL GIT Mongodb ELastic search Hadoop Spark Docker

 Gestion du trafic des cars et de leur maintenance sur les lignes nationales et internationales (75 départs),  Gestion de l’affichage (heure et destination) des cars et de la relation client (fréquentation moyenne 5000 passagers jours)  Mise en adéquation de l'activité avec la réglementation  Établir les rapports de trafic, les rapports d’incidents  Communiquer avec les autres dépôts pour anticiper les besoins  Gestion du planning  Management de 5 superviseurs  Management de 170 chauffeurs

 Réception des paiements  Etablissement des factures clients  Gestion du planning des chauffeurs  Mise en place de contrat cadre  Prise en charge des clients  Conduite dans le respect de la sécurité et du confort client  Mise en place de formation de conduite écologique

Chargé d’affaires Grands Comptes Gros Œuvre / Génie Civil, Hilti France, de février 2007 à Juillet 2010  Prospection.  Développement du portefeuille client .  Suivi de client.  Fidélisation. :  Mise en place de formation Qualité Sécurité Environnement  Augmentation du chiffre d’affaires réalisé par le biais du multi canal  Leadership :  Développement des entreprises dans le domaine ferroviaire.  Résultats 2007 : 106% de l’objectif, 136% de l’A-1  Résultats 2008 : 119% de l’objectif, 150% de l’A-1  Résultats 2009 : 184%de l’objectif, 243% de l’A-1 Management :  Encadrement de 6 chargés d’affaires Grands Comptes agissant sur une typologie de grandes PME du BTP sur l’Ile de France.