Étudiante Ingénieure - Cloud & DevOps

Conception et développement d'une plateforme d'analyse de bâtiments intelligents afin d'assurer la surveillance en temps réel des bâtiments et des équipements.

• Conception et développement d'une plateforme d'analyse de bâtiments intelligents permettant d'ingérer et de traiter les données provenant de plus de 50 capteurs pour la surveillance en temps réel.
• Déploiement de la plateforme sur Azure en automatisant le provisionnement de l'infrastructure et les déploiements.
• Renforcement de la fiabilité et de l'observabilité grâce à la mise en place de Prometheus et Grafana pour les métriques.
• Configuration d'ELK pour la centralisation des journaux.
• Ajout de contrôles de santé, de la surveillance des ressources et des alertes afin de faciliter la détection et le diagnostic des défaillances.

Intégration chez HexaFlow pour concevoir, automatiser et superviser des infrastructures cloud et des applications en production.

• Réduction de 83 % du temps de mise en production (passant de 2h à 20min) en automatisant les processus de déploiement.
• Provisionnement et automatisation de l'infrastructure cloud permettant des environnements reproductibles et des déploiements plus fiables.
• Mise en place d'une solution centralisée de monitoring, de journalisation et d'observabilité, réduisant de 40 % le temps de détection et de résolution des incidents.

Participation au provisionnement et à la configuration de l'infrastructure cloud pour prendre en charge le déploiement d'applications dans plusieurs régions.

• Provisionnement et configuration de l'infrastructure Azure dans 2 régions, comprenant des machines virtuelles, des VNets, des sous-réseaux et des NSG.
• Automatisation du provisionnement et de la configuration de l'infrastructure, réduisant le temps de mise en place d'un environnement de plusieurs jours à quelques heures.

Participation à la conception de solutions innovantes intégrant l'intelligence artificielle au sein d'une architecture logicielle moderne.

• Conception d'un pipeline RAG (LLM + embeddings vectoriels) améliorant la précision de recherche documentaire de 90 %.
• Intégration du pipeline dans une architecture microservices.