Abdeslam S.

Objectif du projet: Mise en place un data product au sein d'une architecture Data Mesh afin de vérifier la conformité des systèmes core banking et crédit immobilier pour les besoins LCB-FT (lutte contre le blanchiment de capitaux et le financement du terrorisme).

Mise en œuvre des pipelines dbt pour échantillonner et comparer les données clients entre plusieurs systèmes, permettant une validation inter-domaines. Implémenté BigQuery comme couche d'ingestion et data sink central, structuré selon une architecture Medallion pour charger les échantillons, historiser les résultats de comparaison et produire des analyses d'écarts. Industrialisé l'exécution des workflows dans des conteneurs orchestrés par Kubernetes, afin d'optimiser la performance et la résilience des pipelines.

Objectif du projet: Mise en place un data product au sein d'une architecture Data Mesh pour harmoniser l'extraction et le traitement des transactions, en réponse aux exigences de TRACFIN (Traitement du renseignement et action contre les circuits financiers clandestins) dans le cadre de la LCB-FT et de la lutte contre la fraude financière. Implémentation d'un pipeline hybride SharePoint-BigQuery automatisant l'ingestion des données de recherche en quasi temps réel pour le Data Product. Développement de pipelines dbt pour transformer et modéliser les données transactionnelles, répondant aux exigences métier de détection de fraude et de conformité. Automatisation de la génération de rapports d'investigation au format réglementaire TRACFIN, basés sur les analyses produites par les pipelines dbt. Réduction du délai de traitement des investigations TRACFIN de 72h à moins de 15 minutes, améliorant la capacité de réponse réglementaire.

Technologies utilisées: DBT, GCP (BigQuery, Cloud Storage, Cloud Logging), Kubernetes (IaC Helm/Kubernetes manifests), Python (SqlAlchemy, UV), GitLab CI/CD, Scrum.

Objectif du projet: Migration des données techniques et commerciales (configurations réseau, données d'usage, référentiels) des équipements clients Orange France (décodeurs, Livebox) vers Google Cloud Platform (GCP). Design et mise en œuvre de l'architecture cloud, incluant une étude des services cloud alignés sur les exigences architecturales. Création de multiples pipelines de traitement de données répondant aux différents cas d'usage métier. Hybridation de la solution OnPrem/Cloud permettant la consommation des services OnPrem (API REST) et l'industrialisation des processus de requêtage. Industrialisation de la solution via la séparation infrastructure/code métier, assurant robustesse, scalabilité et maintenabilité. Implémentation d'indicateurs de monitoring multi-dimensionnels : volumétrie des données, performance des pipelines, temps de traitement et disponibilité.

Technologies utilisées: GCP(BigQuery, DataFlow, Cloud Function, Scheduler, Cloud Storage, Cloud Logging, Cloud Monitoring), Terraform, Python, GitLab CI/CD, Scrum.

Objectif du projet: Mise en place d'une plateforme de géolocalisation pour réquisitions judiciaires permettant la localisation d'utilisateurs mobiles sur les réseaux 3G, 4G et 5G. Implémentation d'un producer Kafka assurant l'ingestion temps réel des données HDFS vers Kafka. Implémentation d'un consumer Kafka pour l'injection temps réel dans ScyllaDB utilisant

Objectif du projet: Preuve de concept (POC) d'une solution permettant de superviser la disponibilité des guichets automatiques bancaires en temps réel. Participation à la mise en place et la réalisation d'une architecture lambda. Mise en œuvre d'un pipeline de données en streaming pour l'ingestion, le traitement et le stockage de données en utilisant Python et Pyspark Structured Streaming. Pousser les données vers différents sinks (NoSQL, base de données relationnelle).

Technologies utilisées: Spark Structured Streaming, PySpark, Kafka, PostgreSQL, MongoDB, Elasticsearch, CentOS/Rocky.