Ce projet explore la faisabilité d’un système de récompenses pour les salariés actifs, basé sur la collecte de données sportives (déclaratif ou via API type Strava). 

Il inclut l’automatisation du calcul de primes sportives et de jours bien-être, le contrôle de cohérence des données, l’envoi de messages Slack motivants, et la visualisation des KPI RH dans Power BI. 

Stack technique :

• Data pipeline : Python, Airflow

• Data validation : Great Expectations

• Base de données : PostgreSQL

• API : Google Maps, Strava (simulée)

• Visualisation : Power BI

• Communication : Slack API

Conception d’un assistant IA pour recommander des événements culturels à partir de données OpenAgenda. 

Le système s’appuie sur le framework RAG pour fournir des réponses contextualisées, intégrant la recherche sémantique via Faiss et un LLM Mistral. Une interface interactive a été développée avec Streamlit.

Stack technique :

• Langage : Python

• LLM : Mistral (via transformers)

• Vector store : Faiss

• Interface utilisateur : Streamlit

• Données : API OpenAgenda

• Cloud : AWS

• Autres : langchain, pandas

Mise en place d’un pipeline automatisé avec Kestra pour nettoyer, fusionner et analyser des données issues d’un ERP et d’un CMS. 

Génération mensuelle de rapports de chiffre d’affaires et de fichiers segmentant les vins premium. Intégration de tests de qualité, planification, et export vers AWS S3.

Stack technique :

• Langage : Python

• Orchestration : Kestra

• Base de données : DuckDB

• Stockage cloud : AWS S3

• Traitements de données : pandas, scipy, openpyxl

• Infrastructure : Docker, Poetry

• Définition de workflows : YAML

• Tests & supervision : Kestra (logs, validations intégrées)

Conception d’un pipeline complet de machine learning pour prédire la consommation énergétique spécifique (SiteEUI) de bâtiments non résidentiels à Seattle. 

Le modèle a été entraîné, optimisé, suivi avec MLflow, puis exposé via une API REST avec BentoML et validé avec Pydantic. 

Stack technique :

• Langage : Python

• Modélisation & suivi : scikit-learn, MLflow

• Traitements de données : pandas, numpy, seaborn, matplotlib

• Déploiement API : BentoML

• Validation des données : Pydantic

• Infrastructure & gestion dépendances : Docker, Poetry

• Notebooks & exploration : Jupyter Notebook

Ce projet consiste à développer un pipeline de traitement en temps réel pour ingérer, analyser et générer des rapports sur des tickets clients à l'aide de Redpanda et PySpark. 

Il simule un système de gestion de tickets, traitant les données des clients avec une architecture hybride cloud/on-premise.

Stack technique :

• Langage : Python

• Framework : PySpark

• Stream Processing : Redpanda

• Cloud : AWS

• Autres : Docker, Kafka, Docker Compose

Conception et déploiement d'une infrastructure de traitement de données automatisée. 

Les données météorologiques sont extraites depuis un connecteur Airbyte, transformées puis stockées dans une base MongoDB répliquée. Des tests d’intégrité et de réplication sont automatisés pour garantir la fiabilité des données. 

Stack technique :

• Langage : Python

• Orchestration : Docker Compose

• Base de données : MongoDB (Replica Set)

• Stockage cloud : AWS S3

• Extraction de données : Airbyte

• Traitements de données : pandas, json

• Infrastructure : Docker, Poetry

• Tests & supervision : Pytest (intégrité & réplication)