Samy Ben Hassan

Je suis actuellement Ingénieur DevOps/Data sur le projet Renault EASY CONNECT, visant à développer une plateforme connectée pour

les véhicules Renault, améliorant la gestion des services et l'expérience utilisateur. Dans ce rôle, j'ai :

• Déployé et orchestré des applications conteneurisées avec Docker et Kubernetes sur Amazon EKS, garantissant la mise à l'échelle

automatique et une disponibilité continue.

• Automatisé le provisionnement de l'infrastructure sur AWS en utilisant Terraform et Ansible, assurant des déploiements cohérents

• Mis en place Apache Spark et Kafka pour le traitement des données en temps réel, permettant une analyse plus rapide et fiable avec

des scripts Python adaptés.

• Orchestré les workflows de données avec Apache Airflow, optimisant la gestion et l'exécution des tâches de traitement de données.

J'ai exercé en tant qu'ingénieur Data/DevOps sur le projet Datavenue, une initiative clé d'Orange visant à exploiter le potentiel des données et de l'Internet des objets (IoT) pour offrir des solutions innovantes et améliorer la prise de décision. Dans ce cadre, j'ai :

• Optimisé les jobs Apache Spark pour le traitement des données, réduisant le temps de traitement des tâches d'analyse complexes.

• Mise en œuvre Apache Kafka pour la messagerie et l'agrégation des journaux, assurant une communication fluide entre les services .

• Conçu, développé et maintenu les flux de données avec Apache Airflow, permettant l'automatisation complète des pipelines ETL.

• Automatisé la provision et la configuration de l'infrastructure de données sur AWS avec Kubernetes en utilisant Terraform et Ansible. Compétences: Git Linux Python AWS Apache Spark Apache Kafka Apache Airflow PostgreSQL Docker Kubernetes

J'ai travaillé en tant qu'ingénieur Machine Learning/DevOps sur le projet DentalAI, visant à aider les dentistes à fournir des recommandations de traitement optimales aux patients pour des améliorations dentaires. Dans ce cadre, j'ai :

• Développé et entraîné des modèles d'apprentissage automatique from scratch en Python, en utilisant TensorFlow, PyTorch et scikit-learn, basés sur des papiers de recherche récents, et conteneurisé ces modèles avec Docker pour un déploiement facilité sur AWS.

• Implémenté des pipelines de données avec Apache Airflow, intégrant Apache Spark pour le traitement des données en masse et Apache Kafka pour la gestion des flux de données en temps réel,améliorant la précision et l'efficacité des modèles de machine learning.

• Déployé les modèles sur AWS en utilisant Terraform pour la gestion de l'infrastructure as code et Ansible pour l'automatisation des configurations, et orchestré les déploiements avec Kubernetes pour garantir une mise à l'échelle et une gestion optimales.