Ingénieur Data & IA, diplômé avec le grade de Master. Je construis les pipelines, les tableaux de bord et les assistants IA que les équipes utilisent vraiment au quotidien.
Des maths à Nice jusqu'à la data à Genève. Choisissez un arrêt pour voir ce qui s'y est passé.
Cliquez sur un arrêt ou utilisez les flèches. Au clavier, les touches ← et → marchent aussi.
Trois ans d'alternance dans un groupe de 190 000 personnes, sur des projets menés entre l'Europe, les États-Unis et l'Asie.
Déploiement et administration de la plateforme Databricks (Azure) traitant des données multi-sources (ERP, ventes, stocks, logistique) pour 3 régions. Pipelines ETL en Python, SQL et PySpark orchestrés avec Azure Data Factory et Delta Lake, intégrés avec Git et CI/CD.Databricks, Azure, ADF, Delta Lake, PySpark, CI/CD
30 à 40 tableaux de bord sur Power BI, SAP BO, Qlik et Databricks, couvrant stocks, ventes et supply chain. Modélisation en étoile et en flocon, univers sémantiques SAP BO, mesures DAX et KPI groupe (WW Service KPI, Forecast, S&OP). Temps de réponse de 9,2 s sur 92% des requêtes et disponibilité supérieure à 99%.Power BI, DAX, SAP BO, Qlik, modélisation dimensionnelle
Conception et mise en production d'un chatbot RAG interne (LangChain, embeddings, base vectorielle) : d'abord une équipe pilote de 12 personnes, puis toute l'équipe support. Pipelines IA (ingestion, nettoyage, chunking, indexation) et benchmark de plusieurs LLM sur des jeux de questions métier.RAG, LangChain, embeddings, évaluation de LLM, Python
Migration Qlik vers SAP BusinessObjects : recueil des besoins, spécifications, recette, conduite du changement et formation de 75 utilisateurs. Tableau de bord de suivi des habilitations utilisé par une cinquantaine de personnes, règles de data quality et contrôles d'intégrité.Recueil des besoins, recette, conduite du changement, data quality
Installé à Genève avec un permis B. J'ai obtenu la certification Azure DP-900 et trois accréditations Databricks, et je construis les projets data et IA présentés plus bas. En parallèle, je travaille chez Planzer (logistique) et à l'Airloop La Plage le temps de trouver mon prochain poste data.
Cinq ans d'école d'ingénieurs, dont trois en alternance. Chaque module partait d'un problème d'entreprise réel, résolu en équipe et défendu devant un jury.
CESI enseigne par problèmes et par projets. Pas de cours magistral d'abord : chaque module s'ouvre sur une situation tirée de l'entreprise, et l'équipe doit trouver, apprendre et appliquer ce qu'il faut pour livrer. C'est exactement comme ça que se déroule un projet data en entreprise.
Consolidation de sources hétérogènes dans un entrepôt de données avec une chaîne ETL complète, puis restitution de statistiques de pilotage pour l'hôpital.Entrepôt de données, ETL, modélisation dimensionnelle, SQL
Recherche opérationnelle et méta-heuristiques pour planifier les tournées d'une flotte et réduire sa consommation de carburant.Recherche opérationnelle, méta-heuristiques, Python
Préparation et anonymisation des données, puis entraînement et comparaison de plusieurs modèles de machine learning sur des données de santé.Machine learning, anonymisation, évaluation de modèles
Sécurité des systèmes et des réseaux, dans la continuité du Cisco CCNA.Réseaux, sécurité, Cisco CCNA
Construits de bout en bout sur mon temps libre, et publiés en open source sur GitHub.
Données officielles des douanes suisses de 2012 à 2025 : trois tableaux de bord Tableau avec des KPI recalculés selon l'année, un focus sur la montre mécanique automatique (le segment de Rolex), une carte du monde interactive et une note de recommandations. Constat clé : deux fois moins de montres qu'en 2012, pour 21 % de valeur en plus.
Du besoin métier aux recommandations : cahier des charges, dictionnaire des KPI, modèle en étoile mis à jour chaque mois depuis l'OFS, rapport Power BI en DAX, recette et note à la direction. Constat clé : Genève est à 120 % de son niveau de 2019.
Permis, impôt à la source, assurance maladie, frontaliers : des réponses tirées uniquement des pages officielles (ch.ch, ge.ch, admin.ch), chaque source citée. La qualité de la recherche est mesurée sur 40 vraies questions de nouveaux arrivants.
3 millions d'arrivées réelles de trains issues de l'open data suisse, modélisées en SQL avec dbt et transformées en dashboard public. Un pipeline GitHub Actions le rafraîchit chaque matin, avec 30 tests de qualité.
Un agent IA qui automatise ma propre recherche d'emploi : il collecte les offres Data et IA en Suisse, les filtre et les note par rapport à mon profil, puis aide à personnaliser chaque candidature.
Un pipeline Python qui alimente une base PostgreSQL avec des données de marchés financiers, avec un modèle en étoile, des contrôles d'intégrité et des sauvegardes automatisées.
Un service de génération de CV pour particuliers qui orchestre plusieurs modèles d'IA et automatise la mise en page, des notes brutes jusqu'au PDF prêt à envoyer.
Un site complet pour une auto-école : réservation en ligne, gestion automatisée des créneaux et calendrier de disponibilité.
Formation en autonomie sur les versions gratuites : flux de préparation de données sous Dataiku et Tableau Prep, puis visualisations sous Tableau.
Ce que j'utilise au quotidien, de l'ingestion de la donnée jusqu'à l'utilisateur final.
RAG, LangChain, embeddings, vector DB, Claude & OpenAI API, agents IA, prompt engineering
Python, SQL, PySpark, ETL / ELT, Talend, PostgreSQL, MongoDB, modélisation dimensionnelle, data quality, Git, CI/CD
Databricks, Microsoft Azure, Azure Data Factory, Delta Lake, architecture Lakehouse, Snowflake
Power BI, DAX, SAP BusinessObjects, Qlik, Tableau, Dataiku, Excel, conception de KPI
Recueil des besoins, spécifications fonctionnelles, recette, parties prenantes, conduite du changement, formation
Français (natif), anglais (B2, TOEIC 840), espagnol (B1)
Cliquez sur une miniature pour voir le certificat. Les titres Microsoft et Databricks sont aussi vérifiables auprès de l'organisme.
Basé à Genève avec un permis B, disponible immédiatement, à Genève ou ailleurs en Suisse romande.