Onsi Chhima

Projet JADE — Finance

Piloter l'intégration de l'IA dans le projet JADE, coordonner les échanges avec l'AI Factory pour garantir une mise en œuvre fluide Superviser les collaborations inter‑équipes (CQFD, JADE, AI Factory) pour améliorer l'efficacité et favoriser l'innovation pilotée par les données. Coordonner les livraisons end‑to‑end, de la conception au déploiement en production Optimiser les environnements Databricks : configuration de clusters, gestion des utilisateurs, optimisation des ressources et gouvernance/sécurité des données via Unity Catalog Optimiser les requêtes et les accès sur Azure SQL Database (revue des jointures, filtres, index et plans d'exécution) pour réduire les

Projet DATA QUALITY

Implémenter des règles de validation de schéma avec JSON Schema Validator pour contrôler les champs obligatoires, les types de données, les structures spécifiques paie et la compatibilité source/cible

Détecter des anomalies avec Python

Mettre en œuvre des mécanismes de monitoring, logging et gestion des erreurs comparables aux pratiques AWS CloudWatch afin d’améliorer l’observabilité et la stabilité opérationnelle des pipelines.

Projet RDD & SIRH

Concevoir et maintenir des pipelines ETL Python/PySpark orchestrés avec Airflow, dans une logique proche des traitements AWS Glue, afin d’assurer la

transformation, la fiabilité et la scalabilité des données.

Développer des pipelines de transformation de données Python/PySpark sur architecture Data Lake, exploitant des formats Parquet et des données stockées sur S3 pour répondre aux besoins analytiques et de reporting.

Traiter des fichiers structurés et semi‑structurés (JSON, CSV, Parquet) en appliquant des transformations PySpark pour standardiser les jeux de données paie avant intégration.

Concevoir des traitements découplés s’appuyant sur des mécanismes événementiels (Event Grid / Service Bus), dans une logique proche des architectures serverless AWS utilisant Lambda et Step Functions.

Optimiser les requêtes SQL utilisées pour les contrôles de réconciliation et de migration, améliorant la comparaison entre les données paie source et les sorties HRIS cibles.

Containeriser les services de données avec Docker pour uniformiser ledéveloppement local, les tests et les déploiements entre environnements

Appliquer des contrôles de qualité et de prétraitement sur des jeux de données de santé, incluant la gestion des valeurs manquantes, les contrôles de cohérence et la préparation de jeux de données prêts pour les cas d'usage IA Contribuer à la préparation, au traitement et à l'analyse de grands jeux de données de santé utilisés pour des modèles d'IA et d'apprentissage automatique Construire et maintenir des workflows de données pour soutenir les équipes de recherche dans la transformation de données brutes et complexes en données structurées, exploitables et fiables Automatiser des pipelines de données avec Airflow pour améliorer la répétabilité, la traçabilité et l'efficacité des tâches de traitement Développer des modèles de données pour rationaliser les pipelines de traitement dans un environnement Azure, contribuant à une amélioration de 20 % de la productivité Préparer des jeux de données nettoyés pour l'étiquetage, l'entraînement et les cas d'usage d'analytique prédictive, en support au développement de modèles ML Containeriser des composants de données avec Docker et contribuer aux pipelines CI/CD via Azure DevOps Appliquer des pratiques orientées sécurité, incluant le chiffrement côté serveur avec Databricks pour protéger les données sensibles