- Développé et maintenu un backend d’inspection de carrosseries par ML pour la reprise de véhicules d’occasion, avec API et traitements asynchrones.
- Orchestré des inférences ML multi-étapes et des fonctionnalités métier via workers RabbitMQ (messages à consommation unique).
- Fiabilisé la chaîne de traitement asynchrone avec exchanges et DLQ (gestion des erreurs, reprises, stabilité en production).
- Conçu une fonctionnalité de génération de rapports PDF à la demande via l𠆚PI, basée sur templates Jinja et mise à la charte graphique des clients.
- Implémenté un module de pricing à partir des dégâts détectés (arbre de décision combinant type de dégât, taille, pièce, charges et prix horaire) pour estimer le coût de remise à neuf.
- Optimisé PostgreSQL (indexation, refonte de requêtes et du modèle), avec réduction des temps de réponse sur requêtes critiques.
- Refactoré une table d’inférences 𠇏ourre-tout” en plusieurs tables alignées sur la logique métier, afin de réduire la redondance et améliorer la maintenabilité.
- Fait évoluer une procédure qualité existante (organisation, revues, pratiques de delivery) et encadré deux développeurs juniors.
- Exploité et fait évoluer l’infrastructure sur GCP (GKE, Cloud SQL) pour accompagner la montée en charge du produit.
- Administré les objets Kubernetes nécessaires au run (deployments, HPA, ingress, secrets, configmaps, namespaces).
- Mis en place un scaling applicatif avec KEDA sur RabbitMQ (queue length et rate) pour absorber les pics et stabiliser les workers.
- Amélioré la robustesse des traitements asynchrones, avec réduction d𠆞nviron 1 000 messages/jour en DLQ à presque 0.
- Accompagné la montée en charge métier, d𠆞nviron 100 à ~2 000 véhicules inspectés par jour.
- Contribué à l’infrastructure as code via Terraform sur le périmètre plateforme (GKE, Cloud SQL et composants associés).
- Administré et maintenu en conditions opérationnelles CA PPM (Clarity), avec développements d’évolutions et implémentation de règles métier.
- **BNP Paribas PF (18 mois, env. 3 000 utilisateurs)** : migré une instance Clarity vers une autre pour l’IT France, via scripts SQL et Python, en sécurisant la reprise de données.
- BNP Paribas PF : construit un socle de reporting (vues matérialisées) et livré des rapports BI pour le contrôle des projets et le suivi des résultats (JasperReports, Power BI).
- Macif : automatisé l’ingestion quotidienne des données RH de congés vers Clarity via script VBA.
- Développé des automatisations et règles métier spécifiques Clarity en JellyScript, en lien direct avec les besoins fonctionnels.
- Développé un générateur de forum et un site d’information en Flask.
- Implémenté l𠆚uthentification, la base de données et les principales fonctionnalités applicatives.
- Réalisé des scripts Python de veille prix et d𠆞xtraction de données (scraping), planifiés via cron.
- Mis en œuvre un projet de récupération de données issues d’une ancienne application, avec transformation et consolidation.
- Livré des exports Excel déposés automatiquement sur FTP, avec exécution récurrente et exploitation simple côté client.
Python, BeautifulSoup