Anis Tlilane

Dans le cadre du projet DDF (Détection des Fraudes), j’ai contribué à la conception et au déploiement d’une plateforme intelligente et centralisée de détection des fraudes, hébergée sur Palantir Foundry, couvrant plusieurs typologies de risques (Score SF, Fraude, LFT…) et déployée par business unit. J’ai piloté l’implémentation du périmètre Leasing & Factoring, en assurant la chaîne complète de valorisation des données : de l’ingestion jusqu’au scoring, aux scénarios de fraude et à la gestion opérationnelle des alertes.

Responsabilités :

• Cadrage du besoin métier, identification des sources de données et définition des règles de gestion pour la transformation et l’enrichissement.

• Mise en place de la collecte et des processus d’ingestion depuis AWS S3 (automatisation des flux, gestion de formats hétérogènes, forte volumétrie).

• Développement des pipelines de traitement sous PySpark/Python : unzip, parsing, cleaning, normalisation, déduplication et contrôles qualité.

• Conception du modèle de données cible et modélisation des objets dans Ontology (service Palantir) : définition des entités, relations et cardinalités.

• Implémentation de l’alimentation des datamarts via Ontology et mise en place de l’indexation pour optimiser la recherche et l’analyse.

• Développement d’un moteur de recherche sémantique pour le scoring des individus et l’identification des liens à risque.

• Conception et paramétrage des scénarios de fraude (règles, agrégations, seuils d’alerte).

• Mise en place du Case Manager pour la gestion du cycle de vie des alertes (génération, consultation des profils scorés, workflow d’investigation).

• Implémentation de l’ordonnancement et du scheduling des traitements (gestion des dépendances, planification et supervision).

• Mise en œuvre du data lineage garantissant la traçabilité complète des données, de la source aux indicateurs et alertes générées.

Projet : ACPR

Dans le cadre du contrôle prudentiel du secteur banque-assurance, l'Autorité de Contrôle Prudentiel et de Résolution (ACPR) a mené un audit sur le groupe Generali. Un projet interne a été initié pour répondre efficacement à cette exigence réglementaire par la mise à disposition des datamarts et indicateurs attendus.

Responsabilités :

• Extraction, collecte et ingestion des données brutes dans le Data Lake.

• Normalisation, nettoyage et validation des données issues de sources multiples.

• Analyse croisée de sources similaires pour identifier la donnée correcte et la compléter.

• Construction des datamarts via des traitements automatisés.

• Coordination optimale des interdépendances entre processus.

• Structuration du projet en Flow Zones métier.

• Automatisation des workflows et scénarios via Dataiku.

• Conception de tableaux de bord pour le suivi des KPIs.

• Détection proactive et correction des anomalies fonctionnelles.

• Contribution aux analyses métier et aux décisions stratégiques.

Projet : Data Product

Suite à l’audit ACPR 2023 révélant des faiblesses en matière de pilotage Sécurité Financière et de structuration des données, un projet Data Product basé sur une architecture data mesh a été lancé en 2024 pour optimiser la qualité et l’exploitation des données.

Responsabilités :

• Préparation, enrichissement et segmentation des données.

• Implémentation des traitements pour la création des Data Products.

• Mise en place de processus dédiés à la qualité des données.

• Implémentation du monitoring des données et des traitements.

• Gestion des accès utilisateurs et comptes de service sous Snowflake.

• Gestion sécurisée des secrets et variabilisation des configurations.

• Déploiement automatisé via une chaîne CI/CD.

• Création de DAGs pour l'orchestration et planification des exécutions.

• Élaboration d’un GitFlow et diffusion des bonnes pratiques.

• Réalisation de PoCs pour préparer la migration technique.

Projet : Data Platform Exploration

Conception et déploiement d’une plateforme DataLab industrialisée sur AWS dédiée au cycle complet de Data Science (création, entraînement et déploiement des modèles), gestion des données (catalogue, confidentialité, qualité) et reporting métier.

Responsabilités :

• Création de la plateforme ML en Infra as Code.

• Création d’environnements personnalisés SageMaker avec gestion Git, IAM, S3, et images Docker spécifiques.

• Administration sécurisée des buckets S3 (least privilege, politiques IAM).

• Centralisation des features via SageMaker Feature Store.

• Automatisation du cycle des modèles (préparation, entraînement, déploiement) via SageMaker Pipelines.

• Gestion des modèles et réapprentissage automatique via SageMaker Model Registry.

• Mise en place de bases Amazon RDS connectées à Power BI par périmètre métier.

• Construction et exposition du Data Catalog.

• Traitement et ingestion des logs Power BI et des données SAS.

• Assistance et formation technique aux équipes Data Science.

• Maintenance corrective et évolutive de la plateforme.

Projet : Data Platform Engine

Conception et gestion d’une Data Plateforme AWS scalable et sécurisée pour le traitement, l’ingestion et le stockage de données temps réel (streaming) et batch, assurant la fiabilité et performance des flux alimentant le Data Lake.

Responsabilités :

• Développement des traitements streaming temps réel (MSK, EMR, Spark Streaming, Scala).

• Mise en œuvre des processus d’ingestion batch (Step Function, Lambda, Python).

• Transfert sécurisé cross-account des données via S3 et IAM.

• Construction de Consumer Zones (datamarts) sur RDS.

• Administration Kafka via Amazon MSK (rétention, dimensionnement ressources).

• Monitoring temps réel de la performance et scalabilité via Grafana.

• Sécurisation de l’accès aux ressources AWS via SSM (suppression bastion).

• Support correctif et évolutif (purge, transfert données, relance traitements).