Amine T.

• Designet og utviklet skalerbare ETL-rørledninger ved hjelp av AWS Glue og Spark Scala for databehandling i stor skala.
• Arkitektur og vedlikehold av AWS-infrastruktur (S3, Glue, Lambda, IAM, Step Functions), noe som sikrer pålitelighet og kostnadseffektivitet.
• Bygget CI/CD-pipelines og håndhevet tekniske standarder gjennom kodegjennomganger og retningslinjer for styring.
• Implementert datakvalitetskontroller, sporing av datalinje og tilgangskontroller for å opprettholde dataintegritet og samsvar.
• Ledet et team på fem dataingeniører, og hadde tilsyn med Terraform-klargjøring, Azure DevOps-pipelines og Spark-ytelsesoptimalisering.
• Samarbeid med dataforskere for å implementere ML-modeller som forbedrer anleggets effektivitet og reduserer nedetid.
• Leverte QuickSight-dashbord som gir sikker forretningsinnsikt i sanntid.

• Designet og implementerte en Data Mesh-arkitektur på Databricks (AWS) og bygget styrte datalagre i Glue og Collibra.
• Utviklet datainntak og delingsrørledninger i Spark/Scala og PySpark med full CI/CD-automatisering.
• Opprettet automatiseringsverktøy for Databricks-jobber ved hjelp av Terraform og orkestrerte arbeidsflyter via AWS MWAA.
• Utformet datarørledninger for prediktivt vedlikehold og passasjerstrømanalyse ved hjelp av Kafka, Spark og AWS Glue.
• Implementert overvåking av datakvalitet med Airflow og Great Expectations, noe som sikrer høy datapålitelighet.
• Samarbeid med dataforskere for å operasjonalisere prognosemodeller for tjenesteoptimalisering.

• Migrerte produksjonsapplikasjoner fra HDP til Cloudera, og opprettet og konfigurerte flere miljøer for å sikre en smidig overgang.
• Utviklet CI/CD-rørledninger og Terraform-jobber for å klargjøre og skalere VM-er på tvers av miljøer.
• Støttet ingeniørteamene gjennom hele migreringsfasen, og sørget for minimal nedetid.
• Utviklet og distribuert Spark Scala-biblioteker, og orkestrert produksjonsjobber for høy tilgjengelighet.
• Designet og implementert NiFi-pipelines for inntak av data fra eksterne API-er.
• Bygget rammeverk for datainntak og -transformasjon for markeds- og risikodatapipelines ved hjelp av Spark og Hadoop.
• Automatiserte datakvalitetskontroller og implementert sporing av opphav ved hjelp av Apache Atlas.
• Samarbeidet med kvanteteam for å forbedre nøyaktigheten i risikomodelldata og redusere ventetiden i nedstrømsanalyser.
• Optimalisert HDFS- og Hive-baserte datasjøer, forbedret ytelse og lagringseffektivitet.
• Bidratt til automatisering av regulatorisk rapportering for å sikre samsvar med Basel III-standarder.

• Bygget Spark-baserte datapipelines og ETL-arbeidsflyter i Talend og Kafka for rapportering i sanntid om regelverk og svindelbekjempelse.
• Utviklet en AWS-arkitektur, transformert CSV-data til Parquet og optimalisert Hive-tabeller for ytelse.
• Automatiserte arbeidsflyter for distribusjon med Jenkins og Ansible, noe som forbedrer utviklingseffektiviteten.
• Opprettet Oozie-pakker og Spark Scala-jobber for å implementere forretningsregler og administrere data i Cassandra.
• Indekserte data med Solr for å muliggjøre raske søkefunksjoner og støttet produksjonsdistribusjon og overvåking.

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.