Lutte Contre le Blanchiment et le Financement du Terrorisme (LCB-FT) :
Prise en charge de bout en bout de la création d'une application cloud réglementaire permettant d’identifier les clients à risques
Définition de l’architecture applicative et logicielle (Snowflake – Databricks – Pyspark – Azure Data Factory)
Développement de l’application (selon les principes du clean code)
Versioning (GitLab)
Orchestration avec Azure Data Factory,
Monitoring (avec MlFlow et Azure Data Factory)
Classifications des mails :
Objectif : permettre d’orienter les mails entrants dans le CRM (salesforce) vers les bons interlocuteurs
Cadrage du projet avec le service client
Définition des objectifs de performance (90% de fiabilité)
POC à l’aide de Databricks et de HuggingFace
Classification à l’aide d’une régression logistique et du modèle de deeplearning CamemBert : fiabilité atteinte sur 17 catégories = 80%
Architecture MlOps :
Définition et mise en œuvre d’une architecture MlOps basée sur Databricks, Snowflake, MlFlow et Azure
Moteur de défaut Bâle3 :
Application cloud permettant d’identifier les contrats en défaut de paiement
Refactoring du code (norme pep8, évolution vers une architecture logicielle orientée services, clean code)
Mise au point et développement de nouvelles fonctionnalités
Optimisation des temps de traitement
FinOps : Suivi des couts et optimisation
Migration SAS vers Databricks :
Prise en charge de bout en bout de la création d'une application ETL permettant l’ingestion des tables SAS dans Snowflake via Databricks
Management
• Encadrement d'une équipe de 4 data ingénieurs
• Animation avec la méthode Scrum (sprint, rituels agiles, ...)
• Monté en compétence de l’équipe (revue de code, ...)
• Gestion de la backlog : projets, évolution, maintenance, planning
• Suivi et optimisation des couts (Databricks, Snowflake)
• Veille technique
Environnement technique : Microsoft Azure, Databricks, Snowflake, MlFlow, Jenkins, Python, SQL, Gitlab, Hugging face