Oussama Arifallah

- Automatiser l’entraînement, les tests et le déploiement des modèles en appliquant les principes CI/CD

- Garantir la reproductibilité, la scalabilité et l’observabilité des workflows de machine learning

- Collaborer avec les Data Scientists pour faire passer les modèles des notebooks aux environnements de

production en utilisant AWS SageMaker et Step Functions

- Déployer les modèles sous forme de services conteneurisés avec Docker, stocker les images sur AWS ECR et

AZURE ACR et les lancer sur ECS

- Déployer AWS Neptune Vector DB et AZURE AI Search et les connecter à un Notebook AWS SageMaker et

AZURE ML pour implémenter du GraphRAG

- Créer des Agents IA avec LangChain pour le RAG et AWS Bedrock pour les LLMs via AWS CDK

- Mettre en place l’automatisation de l’infrastructure avec AWS CDK ainsi que le monitoring des systèmes ML

- Etablir un workflow Gitflow avec Jenkins et GitHub Enterprise pour assurer une collaboration cohérente et

productive

- Communiquer avec les clients afin de recueillir les informations et besoins nécessaires pour concevoir des

solutions adaptées

- Modéliser et visualiser les processus métier à l’aide d’UML

- Suivre les pratiques de développement Agile et gérer les projets via Atlassian Jira

- Contribuer à la documentation des projets sur Confluence

- Réaliser des démonstrations auprès de l’équipe et des clients en français et en anglais

• Concevoir des pipelines CI/CD pour le déploiement de composants Kubernetes et d'une infrastructure cloud en utilisant les meilleures pratiques Cloud dans plusieurs domaines tels que la sécurité

• Développer et déployer des ressources d'infrastructure AWS à l'aide de Terraform et du pipeline Jenkins

• Développer et déployer des modèles de Helm Chart pour les ressources Kubernetes

• Développer et déployer des stratégies de déploiement Blue/Green pour minimiser les interruptions de service et réduire les risques lors des mises àjour d'applications en production

• Développer et déployer des applications AWS Serverless avec Lambda, SQS, SNS, Dynamodb, S3, IAM, EventBridge

• Implementer les bonnes pratiques de sécurité sur nos micoservices, comme le non-root des images, les network policies

• Migrer des infrastructures Cloud (Lift and Shift) d'un compte AWS à un autre

• Déployer et configurer des solutions de surveillance et de journalisation pour l'infrastructure AWS et les applications Kubernetes à l'aide de Splunk, Cloudwatch Logs and Metrics, Container Insights, Fluentbit, FluentD, Prometheus et Grafana

• Créer des PoC des solutions architectural pour l'infrastructure AWS

• Implémenter des PoCs

• Prendre le Lead sur les sujets de sécurité et l'amélioration de la plateforme

• Participer au developpement et la mise en place des pipelines pour automatiser et organiser le build des images Docker

• La mise en place d'un gitflow avec Jenkins et Github Entreprise afin d'accomplir un travail de manière cohérente et productive

• Faire des communications avec les clients pour extraire le maximum d'information et données pour construire des solutions bien adéquate pour répondre à leurs besoins

• Visualiser des processus métier à l'aide du UML

• Suivre le processus de développement logiciel agile et gestion de projet avec Atlassian Jira

• Participation à la documentation du projet avec Confluence

• Faire des présentations devant le client en Francais et Anglais

• • Analyser les données avec Python

• • Créer des dashboards basés sur les données clients afin d'extraire le maximum d'informations de ces données-là avec Python

• • La mise en place d'un processus pour le nettoyage de données qui consiste à améliorer la qualité des données en

supprimant, corrigeant ou modifiant les éléments incorrects, incomplets, ou incohérents dans un jeu de données

• • Développer plusieurs modèles d'intelligence artificielle type Classification et Clustering avec python pour détecter la fraude, et comparer ces différents modèles afin de choisir le modèle le plus optimal en termes de taux d'erreur, le temps de prédiction, et la précision

• • Stocker les données dans des buckets S3

• • Exposer les modèles sous forme de REST API avec Flask

• • Assister au deploiement du modèle ML dans des serveurs on-premise sous format des microservices gérés par K3S

• • Animer des présentations devant le client d'une manière à ce qu'ils comprennent notre avancement sans faire perdre leur concentration avec les termes techniques