Fort de plus de 20 ans d'expériences en architecture technique, DATA & CLOUD Expertise est spécialisé :
- DATA (Data Science, Data Engineering) : sur toute la chaîne de traitement, de l'ingestion à l'exploitation (DataViz, Machine Learning), en passant par le stockage et le traitement à l'échelle (Big Data) ;
- CLOUD (AWS, Azure, GCP) : des projets de migration vers le Cloud, à l'optimisation des coûts, en passant par l'architecture des solutions (natives/hybrides).
DATA & CLOUD Expertise vous apporte son savoir-faire dans le cadre de ses missions, et notamment :
Portfolio
Datalake dans le Cloud AWS 
Structuration du Datalake sur le Cloud AWS, fédérant et centralisant diverses datasources SOITEC (MES, SCADA, SCP, ERP, etc.), et premiers use-cases d'analyse des rendements (Athena, SAS JMP), et des détracteurs dans la consommation d'eau (Redshift, PowerBI).
Détection de défauts 
Classification d'images pour une détection automatique de défauts rares et/ou peu marqués.
Détection de défauts
Analyse d'images de contrastes variés, afin d'évaluer automatiquement le nombre de picots de diverses catégories.
Développement d'un FW de ML-Ops pour le Cloud AWS
Socle technique serverless pour les applications de Data Science, compatible avec ML-Flow, et visant à accélérer les déploiements, homogénéiser les architectures, et imposer des standards d'industrialisation (supervision, sécurité, etc.), tout en réduisant les coûts Build/Run.
Détection de bulles
Automatisation de la détection de bulles sur des plaques afin de limiter les inspections manuelles.
Classification de plaques
Transcription de cartographies de défauts en "features" servant d'entrée à des algorithmes de classification supervisés.
Analyse de contentions
Accompagnement des métiers dans leurs analyses, via des travaux d'extraction et de visualisation de la data.
Détection de rayures
Détection de fines rayures sur des prises de vues obliques en lumière naturelle de plaques.
Smart Sampling
Architecture et industrialisation d'un prototype de Sampling intelligent des plaques dans une solution mixte on-premise / Cloud AWS.
Validation du polissage
Étude de l'automatisation de la mesure du polissage des plaques. Diverses méthodes de traitement d'images (Sobel, Open/Close, Kernel, etc.) et de Deep Learning (CNN) pour extraire l'information de la limite de polissage des images, servant à alimenter des algorithmes de Machine Learning, supervisés (classification du polissage) ou non (sélection de mesures).
Analyse de similarités sur une base partitionnée
Utilisation de Spark-ML pour traiter des données à l'échelle (ex. : TF-IDF, calcul de similarité pour des systèmes de recommandation, etc.).
Reconnaissance d'images via des chaînes de Markov
Établissement d'une matrice de probabilités de transitions, puis inférence basée sur le calcul des vraisemblances de séquences d’observation.
Streaming Big Data
Refonte architecturale, conception et développement, d'une solution historique vers une solution Big Data pour assurer le passage à l'échelle (gestion de plusieurs milliers d'événements par seconde) et la résilience.
Identification de locuteurs
À partir d'une bande son, reconnaissance des différents locuteurs au fil du temps. Extraction d'informations depuis un signal audio, alimentant un algorithme d'apprentissage non-supervisé.
Analyse d'articles Web
Extraction automtisée de qualificatifs/catégories des articles de la base Wikipedia.
Reporting web
Migration et fiabilisation d'une application vers une solution Cloud AWS Serverless pour réduire ses coûts.
Migration & Partitionnement Oracle
Partitionnement et montée de version du SGBD Oracle (10 To de données et tables de 40 milliards d'enregistrements) vers un cluster Oracle RAC Exadata.
Supervision Applicative
Supervision applicative d'un SCADA basée sur une analyse statistique de l'activité de l'application.
BIM - Building Information Modeling
Démonstrateur pour un salon de l'interfaçage d'une solution de BIM avec des outils de GMAO.
Audit de performance et contentions du SGBD Oracle
Analyse de divers composants applicatifs (Database Oracle, code C#, ordonnanceur Quartz), et mise en avant de contentions dans l'utilisation d'Oracle.
Certifications
Cloud
Data
Divers
Compétences
| Thématique | Domaine | Principales technologies |
|---|---|---|
| Data Science |
Apprentissage & Inférence | Machine/Deep Learning (SK-Learn, TensorFlow), Timeseries (ARIMA), Bayésien (pyAgrum) |
| Extraction d'informations | Traitement d'images (OpenCV, SK-Image), NLP (Spacy, NLTK), Scraping (Beautiful Soup) | |
| Data Viz | Frameworks Python (Matplotlib, Seaborn, Altair, Plotly) et Web (D3.js), Tableau, PowerBI | |
| Data Engineering |
DevOps & MLOps | CI/CD (GIT, Gitlab, Jenkins, Sonar, Nexus), IaC (CloudFormation), Docker, MLFlow, DVC |
| Ingestion & Processing | Kafla, Databricks Spark, Stack Hadoop (Zookeeper, Airflow, Hive, ...), Beam, Talend ETL | |
| Stockage SQL | OLTP (Oracle, Postgresql), OLAP (Oracle, Redshift, Synapse, BigQuery, Snowflake) | |
| Stockage NOSQL | Colonne (Cassandra, HBase), Document (MongoDB), Graphe (Neo4J), Clef/valeur (Redis) | |
| Développement | Nombreux langages (Python, Java, .Net C#, C++, SQL, PL/SQL), Tests (xUnit, TDD), Patterns | |
| Monitoring | CloudWatch Logs / LogsInsight, ELK & OpenSearch, TIG (Telegraf, InfluxDB, Grafana) | |
| Cloud |
Amazon Web Services | Lambda, Step Functions, Glue, Kinesis, EMR, S3, DynamoDB, Athena, Fargate, Sagemaker |
| Microsoft Azure | Data Factory, Event Hubs, Synapse, Stream Analytics, Azure Databricks, ML Studio | |
 |
Google Cloud Platform | Cloud SQL, Cloud Spanner, Firestore, Bigtable, BigQuery, Dataflow, Dataproc, Composer |
| Management équipe/projet | Management RH, Gestion de projets (budgets, KPI, etc.), Méthodes agiles (Scrum, Kanban) | |
Curriculum Vitaé
DATA & CLOUD Expertise
Contact
Mentions légales
En vertu de l'article 6 de la loi n° 2004-575 du 21 juin 2004 pour la confiance dans l'économie numérique, il est précisé aux utilisateurs l'identité des différents intervenants dans le cadre de sa réalisation et de son suivi :
- Le propriétaire et/ou éditeur du site de DATA & CLOUD Expertise est la société WOPIKA :
- Société par Actions Simplifiée Unipersonnelle, au capital de 2000€
- Siège social : 37 chemin du vieux chêne, CS 50040, 38242 Meylan
- SIREN : 810319517 (RCS de Grenoble)
- TVA : FR 44947688685
- Le site hébergé en France par AWS (P.O. Box 81226, Seattle, WA 98108-1226).
WOPIKA est une marque déposée. A ce titre, toute reproduction totale ou partielle, représentation, imbrication, diffusion et rediffusion de la marque ou d'un logo effectuée sans l'autorisation expresse de son propriétaire est donc prohibée au sens du Code de la propriété intellectuelle. Tout contrevenant encourt les sanctions prévues aux articles L. 713-2 et suivants du Code de la propriété intellectuelle.
L'éditeur dégage toute responsabilité quant aux changements ou mises à jour éventuels des sites vers lesquels un lien a été établi, et ne saurait être tenu pour responsable de l'accès par les utilisateurs via les liens hypertextes mis en place dans le cadre du site internet en direction d'autres ressources présentes sur le réseau.
Ce présent site n'utilise aucun cookie ni technologie de traçage.