Ingénieur de données passionné par la conception de pipelines robustes et d'architectures lakehouse scalables. Expérimenté sur l'environnement Databricks, de l'ingestion jusqu'à l'exposition de la donnée aux métiers. Data engineer passionate about building robust pipelines and scalable lakehouse architectures. Experienced in the Databricks ecosystem, from ingestion to business-facing data exposure. Ingeniero de datos apasionado por el diseño de pipelines robustos y arquitecturas lakehouse escalables. Con experiencia en el ecosistema Databricks, desde la ingesta hasta la exposición de datos al negocio. 堅牢なパイプラインとスケーラブルなレイクハウスアーキテクチャの設計に情熱を持つデータエンジニア。Databricks エコシステムでのデータ取り込みからビジネス向けデータ公開まで経験豊富。 مهندس بيانات شغوف بتصميم خطوط أنابيب قوية ومعماريات لايكهاوس قابلة للتوسع. خبرة واسعة في بيئة Databricks، من استيعاب البيانات حتى تقديمها للأعمال.
Ingénieur de données diplômé de l'ENSA (Maroc) et étudiant en Master 2 Data & IA à Sorbonne Université, je termine actuellement mon stage de fin d'études chez CHANEL à Paris, au sein de la DSI Mode.
Data engineer graduated from ENSA (Morocco) and studying in the Master 2 Data & AI programme at Sorbonne Université, currently completing my final internship at CHANEL in Paris, within the Fashion DSI.
Ingeniero de datos graduado de la ENSA (Marruecos) y estudiante del Master 2 Data & IA en Sorbonne Université, actualmente finalizando mis prácticas de fin de estudios en CHANEL París, en la DSI Moda.
ENSA(モロッコ)卒業のデータエンジニアで、ソルボンヌ大学データ&AI修士課程に在籍。現在、パリのCHANEL ファッションDSIで最終インターンシップを修了中。
Mon terrain de jeu : les architectures lakehouse. J'y construis des pipelines de données robustes, traite des volumes importants avec PySpark, modélise et expose la donnée jusqu'aux outils analytiques comme Power BI, avec l'exigence d'un environnement où la donnée est un actif stratégique.
My playground: lakehouse architectures. I build robust data pipelines, process large volumes with PySpark, model and expose data to analytical tools like Power BI — treating data as a strategic asset.
Mi campo de juego: las arquitecturas lakehouse. Construyo pipelines de datos robustos, proceso grandes volúmenes con PySpark, modelo y expongo los datos a herramientas analíticas como Power BI, con la exigencia de tratar el dato como un activo estratégico.
私のフィールド:レイクハウスアーキテクチャ。PySparkで大容量データを処理し、堅牢なパイプラインを構築。Power BIなどの分析ツールへデータを公開 — データを戦略的資産として扱います。
Je cherche des équipes qui traitent l'ingénierie de données comme un produit, pas comme un ticket.
I look for teams that treat data engineering as a product, not a ticket.
Busco equipos que traten la ingeniería de datos como un producto, no como un ticket.
データエンジニアリングをチケットではなくプロダクトとして扱うチームを求めています。
أبحث عن فرق تتعامل مع هندسة البيانات كمنتج، لا كتذكرة دعم.
Maison de couture · ParisFashion House · ParisMaison de couture · Parísファッションハウス · パリدار الأزياء · باريس
Data Engineer · StageInternshipPrácticasインターンシップتدريب · Mars 2026 → Septembre 2026 · DSI Mode
Une plateforme de gouvernance Row-Level Security, taillée sur mesure. A Row-Level Security governance platform, tailored to measure. Una plataforma de gobernanza Row-Level Security, hecha a medida. オーダーメイドの行レベルセキュリティ・ガバナンスプラットフォーム。 منصة حوكمة أمان على مستوى الصفوف، مصممة خصيصًا.
Développement d'une application complète sur Azure Databricks : réplication en lecture seule des référentiels critiques du Gold Layer (Unity Catalog) vers Lakebase (PostgreSQL) via Native Lakehouse Sync (CDF, Replica Identity Full), couplée à des tables natives transactionnelles pour les écritures RLS.
Built a full application on Azure Databricks: read-only replication of Gold Layer (Unity Catalog) critical tables to Lakebase (PostgreSQL) via Native Lakehouse Sync (CDF, Replica Identity Full), coupled with native transactional tables for RLS writes.
Desarrollo de una aplicación completa en Azure Databricks: replicación de solo lectura de los referenciados críticos del Gold Layer (Unity Catalog) hacia Lakebase (PostgreSQL) via Native Lakehouse Sync (CDF, Replica Identity Full), junto con tablas nativas transaccionales para escrituras RLS.
Azure Databricks 上でフルアプリケーションを構築:Native Lakehouse Sync(CDF、Replica Identity Full)でGold Layer(Unity Catalog)の重要テーブルをLakebase(PostgreSQL)へ読み取り専用レプリケーション。RLS書き込み用のネイティブトランザクションテーブルと連携。
Conception d'une solution de sécurité au niveau ligne appliquée via des UDFs, exposée sans rupture de performance aux outils analytiques (Power BI) et au talk-to-data (Genie).
Designed a row-level security solution enforced via UDFs, exposed without performance degradation to analytical tools (Power BI) and talk-to-data (Genie).
Diseño de una solución de seguridad a nivel de fila aplicada mediante UDFs, expuesta sin pérdida de rendimiento a herramientas analíticas (Power BI) y talk-to-data (Genie).
UDFを通じて適用される行レベルセキュリティを設計。分析ツール(Power BI)やtalk-to-data(Genie)にパフォーマンス劣化なく公開。
تصميم حل أمان على مستوى الصفوف مطبَّق عبر UDFs، معروض دون انخفاض في الأداء لأدوات التحليل (Power BI) وتحدث-إلى-البيانات (Genie).
Indexation de la Lakebase PostgreSQL sur les colonnes à haute cardinalité de sélectivité, pour minimiser la latence de résolution des droits dans l'API FastAPI.
Indexed Lakebase PostgreSQL on high-selectivity, high-cardinality columns to minimise rights-resolution latency in the FastAPI service.
Indexación de Lakebase PostgreSQL en columnas de alta cardinalidad y selectividad para minimizar la latencia de resolución de derechos en la API FastAPI.
Lakebase PostgreSQLの高選択性・高カーディナリティ列にインデックスを設定し、FastAPIサービスでの権限解決レイテンシを最小化。
فهرسة Lakebase PostgreSQL على أعمدة عالية الانتقائية والكاردينالية لتقليل زمن استجابة حل الحقوق في خدمة FastAPI.
Vues matérialisées d'audit déclenchées sur UPDATE des tables d'historique natives, assurant la traçabilité complète des accès et des modifications RLS.
Audit materialised views triggered on UPDATE of native history tables, ensuring full traceability of RLS access and modifications.
Vistas materializadas de auditoría activadas en UPDATE de las tablas de historial nativas, asegurando la trazabilidad completa de accesos y modificaciones RLS.
ネイティブ履歴テーブルのUPDATEをトリガーとした監査マテリアライズドビューを実装し、RLSアクセスと変更の完全なトレーサビリティを確保。
طرق عرض مجسّدة للتدقيق مُشغَّلة عند UPDATE في جداول التاريخ الأصلية، لضمان قابلية تتبع كاملة لوصول ولتعديلات RLS.
Déploiement des assets Databricks (jobs, pipelines, notebooks) via Databricks Asset Bundles et pipelines CI/CD sur Azure DevOps, incluant un plan de disaster recovery.
Deployed Databricks assets (jobs, pipelines, notebooks) via Databricks Asset Bundles and CI/CD pipelines on Azure DevOps, including a disaster recovery plan.
Despliegue de assets Databricks (jobs, pipelines, notebooks) mediante Databricks Asset Bundles y pipelines CI/CD en Azure DevOps, incluyendo un plan de disaster recovery.
Databricksアセット(ジョブ、パイプライン、ノートブック)をDatabricks Asset BundlesとAzure DevOps CI/CDで展開。ディザスタリカバリプランも含む。
نشر أصول Databricks (وظائف، خطوط أنابيب، دفاتر ملاحظات) عبر Databricks Asset Bundles وخطوط CI/CD على Azure DevOps، مع خطة التعافي من الكوارث.
API de service de données en FastAPI (architecture trois-tiers) et interface de gouvernance, déployées en tant que Databricks App sur Azure Databricks.
Data service API in FastAPI (three-tier architecture) and governance interface, deployed as a Databricks App on Azure Databricks.
API de servicio de datos en FastAPI (arquitectura tres capas) e interfaz de gobernanza, desplegadas como Databricks App en Azure Databricks.
FastAPI(3層アーキテクチャ)のデータサービスAPIとガバナンスインターフェースを、Azure DatabricksのDatabricks Appとしてデプロイ。
واجهة برمجية لخدمة البيانات بـFastAPI (معمارية ثلاثية الطبقات) وواجهة حوكمة، نُشرت كـ Databricks App على Azure Databricks.
Gold Layer → Lakebase → Databricks App
MISSION · PRODUCTION
Data Engineer · Stage · Consultant en productionInternship · Production consultantPrácticas · Consultor en producciónインターン · 本番コンサルタントتدريب · مستشار في بيئة الإنتاج
Développement et suivi de KPI de production à l'aide de PySpark et Python.Built and tracked production KPIs using PySpark and Python.Desarrollo y seguimiento de KPIs de producción con PySpark y Python.PySparkとPythonを使用して本番KPIを構築・追跡。بناء ومتابعة مؤشرات أداء الإنتاج باستخدام PySpark وPython.
Manipulation et analyse avec SQL ; maintenance et optimisation des pipelines de données.Data manipulation and analysis with SQL; pipeline maintenance and optimisation.Manipulación y análisis con SQL; mantenimiento y optimización de pipelines.SQLによるデータ操作・分析;パイプラインの保守と最適化。معالجة وتحليل البيانات بـSQL؛ صيانة وتحسين خطوط الأنابيب.
Analyse de données industrielles sur Databricks pour optimiser les processus automobiles.Industrial data analysis on Databricks to optimise automotive processes.Análisis de datos industriales en Databricks para optimizar los procesos automotrices.Databricksで産業データを分析し、自動車プロセスを最適化。تحليل البيانات الصناعية على Databricks لتحسين العمليات في قطاع السيارات.
Participation à la migration des notebooks historiques vers Databricks.Participated in the migration of legacy notebooks to Databricks.Participación en la migración de notebooks históricos a Databricks.レガシーノートブックのDatabricksへの移行に参加。المشاركة في ترحيل دفاتر الملاحظات التاريخية إلى Databricks.
Conception d'une pipeline ingérant des données multi-sources, appliquant les transformations métier et alimentant un data warehouse pour l'analyse. Bonnes pratiques d'intégration, de surveillance et d'optimisation dans l'écosystème Azure.
Designed a pipeline ingesting multi-source data, applying business transformations and feeding a data warehouse for analysis. Best practices for integration, monitoring and optimisation in the Azure ecosystem.
Diseño de una pipeline que ingesta datos multi-fuente, aplica transformaciones de negocio y alimenta un data warehouse para análisis. Buenas prácticas de integración, monitorización y optimización en el ecosistema Azure.
マルチソースデータを取り込み、ビジネス変換を適用し、分析用データウェアハウスにデータを供給するパイプラインを設計。Azureエコシステムでの統合・監視・最適化のベストプラクティスを実践。
تصميم خط أنابيب يستوعب بيانات متعددة المصادر ويطبق تحولات الأعمال ويغذّي مستودع بيانات للتحليل. أفضل ممارسات التكامل والمراقبة والتحسين في النظام البيئي لـ Azure.
Sorbonne Université, Paris
École Nationale des Sciences Appliquées (ENSA), Maroc
École Nationale des Sciences Appliquées (ENSA), Maroc