Description

Diplomé d'une grande école d'ingénieur, data engineer depuis 4 ans et certifié Microsoft Azure et Databricks. J'ai travaillé pour des grands comptes (EDF, ST Microelectronics, Totalenergies) en tant que data engineer toujours sur Azure en utilisant Python soit via Databricks en PySpark soit directement via l'utilisation d'Azure functions.

Langues

Anglais
Capacité professionnelle complète
Anglais
Bilingue ou natif
Français
Bilingue ou natif

Préférences en matière de lieu de travail

Accepte de travailler sur site

Paris (jusqu’à 10 km)

TotalEnergies SE
Data engineer
ENERGIE
juillet 2021 - juin 2023 (1 an et 11 mois)
Île-de-France, France
Lead data sur un projet en build sur Azure:
• Design de l'architecture data
• Dévelopment de l'ETL :
o Aggregation des données depuis différentes sources (API, datalake…)
o Validation et transformation des données avec Azure Durable (python, pandas)
o Insertion en base de données Microsoft SQL dans les différents micro services de l'application
• Synchronisation des données avec les systèmes externes utilisés par (Primavera, SAP)
• CICD avec github actions
• Contribution à l'IaaC (Terraform)
• Contribution aux communautés, partage de connaissances et bonnes pratiques
• Travail en agile en Scrum dans une équipe de 10 personnes
Microsoft Azure Python Azure Data Factory GitHub Github Actions Scrum SQL
STMicroelectronics (Paris)
Data engineer
INGÉNIERIE MÉCANIQUE
juin 2020 - juin 2021 (1 an)
Paris, France
Projet en build sur Azure, ingestion et traitement de données de capteurs :
• Ingestion de données en Presque temps réel avec Databricks (pyspark). Plusieurs millions de lignes par jour.
• Orchestration de Jobs Databricks pour des calculs statistiques sur les données et détecter de potentielles anomalies
• Envois d’alertes à travers EventHub
• CICD avec github actions
• Travail en agile en Scrum dans une équipe de 8 personnes
Microsoft Azure Databricks Python PySpark Scrum Github Actions SQL
EDF
Data scientist
ENERGIE
juillet 2019 - juin 2020 (11 mois)
Paris, France
Implémentation d’un modèle de machine learning pour l’aide au recouvrement de dettes:
• Définition des besoins métiers et du dataset à utiliser pour l’entrainement à partir de données historiques (SQL)
• Entrainement du modèle en python avec sckit-learn
• Déploiement du modèle dans une API Flask on-premise𝗗𝗮𝘁𝗮
Python SQL Scikit-learn flask