Description

Data Engineer avec une double formation en Data Science et Mathématiques Appliquées (Master, Université Paris Cité), je conçois et déploie des pipelines de données robustes, du traitement temps réel à l'orchestration cloud.

Mes expériences couvrent des contextes variés : pipeline de streaming Kafka/Spark/Cassandra déployé sous Docker, intégration GCP/BigQuery pour l'analyse de sentiments à grande échelle, pipeline R&D chez EDF Lab (co-simulation HVAC, centrales nucléaires) et scoring crédit en temps réel chez LCL.

J'interviens sur toute la chaîne data : ingestion, transformation, stockage distribué, orchestration (Airflow), et exposition des données. À l'aise en autonomie comme en équipe, disponible immédiatement.

Domaines d’expertise

Langues

Français
Bilingue ou natif
Anglais
Capacité professionnelle complète

Préférences en matière de lieu de travail

En télétravail uniquement

Travaille majoritairement à distance

Upwork
Ingénieur de données
décembre 2024 - décembre 2025 (1 an)
• • Mission: détermination de la qualité des échanges avec les clients (plus de 35 000 enregistrements textuels)
– Configuration de l'environnement GCP pour le stockage et la gestion des données. – Chargement et gestion de bases de données sous BigQuery avec Python. – Analyse de sentiments à l'aide du modèle de Deep Learning RoBERTa. – Utilisation de Hugging Face pour la classification de textes.
• • Mission: Pipeline de données temps réel (Kafka, Spark, Cassandra)
– Conception d'un pipeline de streaming avec Airflow, Kafka, Spark et Cassandra. – Traitement de données en temps réel via Spark Structured Streaming. – Stockage distribué dans Cassandra et orchestration automatisée. – Déploiement du pipeline avec Docker.
Cloud GCP Big Query Python Apache Kafka Cassandra
EDF Lab Paris-Saclay
Ingénieur R&D
avril 2024 - septembre 2024 (5 mois)
Palaiseau, France
Sujet : Pipeline de co-simulation pour l'évaluation de la fiabilité de systèmes HVAC de centrales nucléaires.
• • Conception d'un pipeline d'intégration entre PyCATSHOO et un modèle physique externe (FMU/Modelica).
• • Mise en place d'un flux de données bidirectionnel via le standard FMI (variables I/O, binding, XML).
• • Développement de modules Python réutilisables et scalables.
• • Scalabilité du modèle de 2 à 4 locaux.
• • Mise en place d'un composant de monitoring en temps réel.
Python Simulation numérique Automatisation Optimisation stochastique
LCL Banque et Assurance
Data Scientist
mai 2023 - août 2023 (3 mois)
Paris, France
Sujet Modélisation prédictive du risque de défaut du paiement
• • Automatisation de l'évaluation du risque crédit via une API Flask, réduisant le traitement manuel de ∼ 60%.
• • Conception d'un pipeline de scoring en temps réel pour l'analyse de milliers de demandes de crédit quotidiennes.
• • Feature engineering et nettoyage de données financières (Pandas, Scikit-learn), +8 pts AUC sur les modèles existants.
Python Flask Python Credit scoring