Jordan Derlich AKAFAK SOKENG

Contexte 1:

Conception et optimisation de solutions de gestion de cycle de vie de la donnée dans le cadre de projets de migration chez Malakoff Humanis.

Role et Réalisations:

• Optimisation du cycle de vie des données et migration des métadonnées vers un service de stockage plus adapté, en vue d'améliorer la conformité aux normes de protection des données.
• Élaboration et exécution de plans d'action, y compris la construction de structures de données et la mise en place de politiques de purge automatisée.
• Définition et mise en place d'infrastructures et de politiques AWS avec Terraform.
• Validation des solutions avec l'équipe et les parties prenantes, en préparation d'une mise en production.
• Déploiement de solutions scalables et robustes, avec un accent sur la fiabilité et la sécurité des données.

Contexte 2:

Construction d'un annuaire de santé par l'agrégation et l'intégration de données provenant de plusieurs sources. Ce dernier est rendu disponible via une API.

Role et Réalisations:

• Ingestion de plusieurs source de données depuis des scripts python qui run sur des pods eks sous forme de cron jobs.
• Stockage des données consolidées dans une base SQL et rendues disponible via l'API.
• Définition et mise en place d'infrastructures et de politiques AWS avec Terraform.

Environnement technique:

DynamoDB, RDS, Terraform, Python, EKS, Cronjob, et Java, Python pour développer des solutions adaptées aux besoins des projets.

Contexte: Prediction du temps avant saturation des files system des applications critiques de la DSI, dans le but d'eviter les incidents et situations de crise. (prévision de serie temporelle)

Role:

• Communication entre les équipes projet et supervision des files de log,
• Développement et amélioration des microservices pour répondre au besoin.

Réalisations:

• Collecte de données en temps réel (consomateur Kafka), stockage sur HDFS,
• Nettoyage et prétraitement des données (détection de saisonnalité, tendance, etc...),
• Apprentissage et test periodique et automatique de deux modèles de Machines et Deep learning.
• Déploiement en production pour être utilisé par d'autres micro-services (IHM interactif pour le metier)

Environnement technique:

Kafka, Hadoop, Python, SQL, Gitlab, Machine/Deep Learning, Docker.