Amine T.

• Designet og udviklet skalerbare ETL-pipelines ved hjælp af AWS Glue og Spark Scala til databehandling i stor skala.
• Arkitektur og vedligeholdelse af AWS-infrastruktur (S3, Glue, Lambda, IAM, Step Functions) for at sikre pålidelighed og omkostningseffektivitet.
• Opbygget CI/CD-pipelines og håndhævet tekniske standarder gennem kodegennemgange og styringspolitikker.
• Implementerede datakvalitetskontroller, sporing af afstamning og adgangskontrol for at opretholde dataintegritet og -overholdelse.
• Ledede et team på fem dataingeniører, der førte tilsyn med Terraform provisioning, Azure DevOps pipelines og Spark performance-optimering.
• Samarbejdede med dataforskere om at implementere ML-modeller, der forbedrer aktivets effektivitet og reducerer nedetid.
• Leverede QuickSight-dashboards, der muliggjorde sikker forretningsindsigt i realtid.

• Designede og implementerede en Data Mesh-arkitektur på Databricks (AWS) og byggede styrede datalagre i Glue og Collibra.
• Udviklet dataindtag og deling af pipelines i Spark/Scala og PySpark med fuld CI/CD-automatisering.
• Oprettet Databricks-jobautomatiseringsværktøjer ved hjælp af Terraform og orkestrerede arbejdsgange via AWS MWAA.
• Designede datapipelines til prædiktiv vedligeholdelse og analyse af passagerflow ved hjælp af Kafka, Spark og AWS Glue.
• Implementeret overvågning af datakvalitet med Airflow og Great Expectations for at sikre høj datapålidelighed.
• Samarbejdede med dataforskere om at operationalisere prognosemodeller til serviceoptimering.

• Migrerede produktionsapplikationer fra HDP til Cloudera og oprettede og konfigurerede flere miljøer for at sikre en gnidningsløs overgang.
• Udviklet CI/CD-pipelines og Terraform-jobs til at provisionere og skalere VM'er på tværs af miljøer.
• Støttede ingeniørteams i hele migrationsfasen og sikrede minimal nedetid.
• Udviklet og implementeret Spark Scala-biblioteker og orkestreret produktionsjobs med henblik på høj tilgængelighed.
• Designet og implementeret NiFi-pipelines til indlæsning af data fra eksterne API'er.
• Bygget dataindtag og transformationsrammer til markeds- og risikodatapipelines ved hjælp af Spark og Hadoop.
• Automatiseret datakvalitetskontrol og implementeret sporing af afstamning ved hjælp af Apache Atlas.
• Samarbejdede med kvanteteams for at forbedre risikomodellens datanøjagtighed og reducere ventetiden i downstream-analyser.
• Optimerede HDFS- og Hive-baserede datasøer, hvilket forbedrede ydeevnen og lagringseffektiviteten.
• Bidrag til automatisering af lovpligtig rapportering, der sikrer overholdelse af Basel III-standarder.

• Bygget Spark-baserede datapipelines og ETL-workflows i Talend og Kafka til rapportering i realtid om lovgivning og bekæmpelse af svindel.
• Udviklet en AWS-baseret arkitektur, transformeret CSV-data til Parquet og optimeret Hive-tabeller til performance.
• Automatiserede implementeringsworkflows med Jenkins og Ansible, der forbedrer udviklingseffektiviteten.
• Oprettet Oozie-bundter og Spark Scala-jobs til at implementere forretningsregler og administrere data i Cassandra.
• Indekserede data med Solr for at muliggøre hurtige søgefunktioner og understøttet produktionsimplementering og -overvågning.

Lansrod is an IT consulting company specializing in big data, business intelligence, and software engineering projects for enterprise clients.

• Designed and implemented data warehouse and BI solutions across multiple industries.

• Built ETL processes in Talend for integrating data from ERP and CRM systems.

• Developed dashboards and KPIs in Power BI and Tableau for client reporting.

• Assisted in data lake design and migration to Hadoop clusters.

• Conducted data audits to ensure consistency and improve reporting accuracy.

Used skills: Talend, Hadoop, Power BI, Tableau, SQL, ETL, Data Warehouse, Business Intelligence

AddVolt is a Portuguese clean technology startup providing electric systems for refrigerated vehicles, enabling emission-free transportation.

• Project management.
• Modeling of problems related to Data Science.
• Interpretation of Machine Learning models applied to real situations.
• Pre-processing of spatio-temporal data, definition of concepts related to the problem, selection of the model and its parameters, modification of some performance metrics, and benchmarking of different classification models.
• Creation of visualization tools for the results obtained through interactive maps and a video explaining the work performed.
• Comparison of different results and analysis of the proposed solutions.
• Recommendation of a new algorithm for the allocation of virtual machines.
• Deployment of the designed project.