Aleks Dominik Nougbele

Contexte

Mission au sein des équipes data d’Enedis visant à moderniser les pipelines de données et industrialiser des modèles de prévision utilisés pour le pilotage de la distribution d’électricité.

Équipe

Collaboration avec les équipes data et les équipes métier en charge de la prévision de la consommation électrique.

Mon rôle

Je participe à la modernisation des pipelines data et à la mise en production de modèles de prédiction.

Migration de scripts analytiques historiques de R vers Python afin de standardiser l’écosystème data

Développement de pipelines de données et de traitement ML avec PySpark

Mise en production d’un script de prédiction de charge électrique par profil commercial

Orchestration des pipelines et des tâches avec Airflow (DAGs)

Intégration de données externes (API météo) pour enrichir les modèles de prévision

Gestion des environnements d’exécution et industrialisation des workflows

Mise en place de pipelines CI/CD pour le linting, les tests et le déploiement

Outils / environnements

Python, PySpark, Airflow, PostgreSQL, Teradata, Kubernetes, GitLab CI, Polars, SQLAlchemy, MlFlow

Résultats

Industrialisation des pipelines de prédiction et amélioration de la maintenabilité du code grâce à la migration vers un stack Python standardisé.

Contexte

Développement de L’OréalGPT, plateforme interne d’IA générative permettant aux équipes du groupe d’utiliser différents modèles LLM dans un environnement sécurisé et industrialisé.

Équipe

Collaboration avec les équipes AI, data et cloud pour développer et déployer la plateforme GenAI à l’échelle de l’entreprise.

Mon rôle

Je participe au développement du backend et des services d’intégration des modèles LLM dans l’écosystème interne.

Je travaille notamment sur :

l’intégration et le benchmarking de plusieurs modèles LLM (DeepSeek, Gemini, Claude)

le développement de services backend permettant l’utilisation des modèles via API

la mise en place de modules de génération et de gestion des prompts

l’expérimentation d’architectures RAG avec LangChain

la gestion des accès aux modèles via les rôles IAM GCP

la mise en place de monitoring et de logs pour analyser les usages et performances

Outils / environnements

Python, FastAPI, LangChain, Transformers, GCP, Vertex AI, Cloud Run, Firestore, Docker

Résultats

La plateforme est aujourd’hui utilisée par plus de 13 000 collaborateurs du groupe pour exploiter les capacités des LLM dans différents cas d’usage métiers.

Développement d'un estimateur d’économie photovoltaïque a un but marketing.

- Développement de fonctionalité sous flask dans un environement de AWS déploiement lambda.

- Refactoring et optimisation du code

Intégration d'API PVGIS, GoogleSolar insight et GoogleSolar DataLayer

- Réalisation d'interface sous react.js

- Intégration de la validation Recaptcha V3 sur React

- Mise en place d'un mécanisme d'authentification JWT basé sur une validation GoogleRecaptcha

Environnement Technique: React.js, Recaptchav3, RTK Query, redux, shadcn, docker, flask, aws lambda.