Illiyas Marecar

Construction de la plateforme Data Groupe qui centralise tous les projets data de la RATP et permet aux équipes métiers d'accéder aux services data en self-service.

Scale-up de la plateforme pour une adoption par 15+ équipes en 18 mois.

→ Architecture DataMesh permettant à 50+ data Ingénieurs, Ops, Métiers d'accéder aux données de manière décentralisée et gouvernée

→ Mise en place d'une pipeline d'ingestion batch et temps-réel traitant des millions d'events/jour (Spark, Kafka, S3)

→ Déploiement de microservices avec CI/CD automatisé (GitLab)

→ Réduction des délais de mise en production des projets data de 40% grâce à l'automatisation

→ Formation et montée en compétences de 20+ Data Engineers sur l'écosystème Spark et les best practices d'architecture

Stack technique : AWS, Spark, Scala, Python, Databricks, S3, Architecture Data Mesh, GitLab CI/CD, Terraform

Développement from scratch d'une plateforme temps-réel de détection de colis en retard basée sur du Machine Learning, permettant d'anticiper les problèmes logistiques avant qu'ils n'impactent les clients.

Résultat : Réduction de 35% des retards de livraison grâce à la détection prédictive.

→ Architecture et déploiement d'une pipeline d'ingestion temps-réel traitant 2M+ events/jour (Spark Streaming, Kafka, Airflow)

→ Containerisation complète de la plateforme sur Kubernetes

→ Mise en production dee modèles ML avec monitoring temps-réel et alerting

→ CI/CD full automatisé de bout en bout (GitLab, GitLabHQ)

→ Optimisation des jobs Spark : réduction de 60% du temps d'exécution et 40% des coûts cloud

Stack : Spark • Kafka • Airflow • Cassandra • S3 • Kubernetes • Docker • GitLab • JupyterHub • Scala • Python • Java

Impact business : Anticipation des retards • Amélioration de la satisfaction client • Réduction des

Conception et mise en place d’une architecture Cloud/Azure.

Projet : Déploiement d’une architecture Azure pour la détection des comportements anormaux dans les séries temporelles par le biais des modèles de Machine Learning.

- Mise en place d’une pipeline d’intégration de données (développement et planification via l’Azure

Functions),

- Sécurisation des accès et des données (Azure Key Vault),

- Préparation de l’environnement de développement pour la construction des modèles de Machine learning (Azure Machine Learning),

- Suivi de la consommation réelle quotidienne des ressources utilisées.

Résultat : Installation d’une architecture dans le cloud.

Stack Technique : MS Azure (ADLS Gen2, Functions, Key Vault, Machine Learning).