à propos
Data engineer, j'ai passé deux ans à concevoir et maintenir les pipelines qui alimentent le suivi d'activité de laposte.fr, en alternance pendant mon Master Intelligence Artificielle & Big Data à l'ESGI.
Avant cela, un Master d'ingénierie statistique à l'Université Paris-Saclay, puis un stage de data analyst chez Jems Group, où j'ai construit mes premiers pipelines sur Azure Data Factory.
Aujourd'hui, ce qui m'intéresse, c'est ce qui rend un système data fiable de bout en bout, et la façon d'y brancher le ML et la GenAI sans le fragiliser.
parcours
La Poste — Direction La Poste en Ligne
Jems Group — Neuilly-sur-Seine
ESGI, Paris
2025 — 2026 (alternance)
Université Paris-Saclay (Versailles)
2022 — 2023
façon de travailler
Un pipeline qui tourne vite mais dont on ne peut pas rejouer les données n'est pas fini : données brutes conservées, schémas explicites, contrôles de qualité.
Choisir un service managé ou une requête SQL quand ils suffisent, et réserver la complexité aux endroits où elle se justifie.
Infrastructure décrite en code, déploiements reproductibles : ce qui est fait à la main finit par diverger.
Écrire pourquoi un choix a été fait, et ce qu'il coûte, au moment où on le fait. C'est aussi la raison d'être de ce blog.
architecture
Construire un pipeline n'est qu'une partie du problème. Ce qui m'intéresse, c'est la façon dont un système data est pensé dans son ensemble : comment les données circulent, comment les composants interagissent, comment le système encaisse la charge et les pannes, et comment l'IA peut s'y intégrer en production.
Discutons de votre projet et de la meilleure façon de valoriser vos données.