Oussama B.

Référent technique au sein de l’équipe — 10 personnes (Java DevOps, Data Engineers, Data Scientists). Pilotage de l’industrialisation de 30 applications Kafka Streams et 30 reporters Spark Scala. Réduction d’environ 12% des coûts Azure via gouvernance et optimisation du provisionnement.

Performance & JVM

• Profiling avancé (JVisualVM, JConsole , Eclipse MAT) — résolution fuites mémoire, contention threads, pauses GC

• Migration Java 8 → 17/21/22 et modernisation Spring sur l’ensemble des pipelines Kafka Streams

Data Streaming & Kafka

• Industrialisation de 30 applications Kafka Streams et 30 reporters Spark Scala

• Kafka Connectors, MirrorMaker 2 (réplication interclusters), Schema Registry (Avro)

• Supervision clusters Kafka sur Kubernetes (OpenShift, Azure) — monitoring Prometheus/Grafana/ELK

• Benchmarking Spark Streaming vs Kafka Streams, tuning retention/compression/consumer lag

AI Engineering

• Système RAG multi-agents intégré à Prometheus → diagnostic jobs Spark réduit de 4h à 15 min

• Plateforme AgentOps : 6 agents IA spécialisés (code review, sécurité, monitoring, incident, fix + PR GitHub) via superviseur avec re-planning dynamique

• Intégration Model Context Protocol (MCP) — 5 serveurs d’outils, communication SSE temps réel, architecture event-driven sur Azure Service Bus

• RAG multimodal enterprise : dual-content indexing, hybrid search BM25 + vector search, cross-encoder ms-marco, 3 modes (Fast/Advanced/Agentic avec self-refinement et confidence gating) → 90%+ précision

• Déploiement Azure : Container Apps, AKS avec modèles self-hosted embeddings & reranking, Azure AI Search, Azure OpenAI GPT-4o

• Mémoire conversationnelle multi-tours : détection références anaphoriques, réécriture contextuelle

Stack : Java 8/17/21/22 · Spring · Kafka · Spark Scala · Azure · Databricks · Azure AI Search · Azure OpenAI · Kubernetes · OpenShift · Airflow · Prometheus · FastAPI · LangChain · LangGraph · MCP

Tech Lead sur la plateforme critique ROR (Recovery of Operations & Irregularities) traitant 1,5 à 2,5 millions de messages/jour en temps réel (retards, annulations, rebooking). Équipe de 12 développeurs (7 ROR + 5 Ticketing).

Résultats clés :

• -38% temps d’exécution et -30% ressources sur le batch de traitement des irrégularités

• -90% d’incidents de production nécessitant intervention manuelle du support

• Mentorat de 20 ingénieurs (multi-équipes) : workshops, documentation technique, revues sur le multithreading Java et le tuning JVM

Réalisations techniques :

• Optimisation JVM : tuning heap, GC (G1 → ZGC), thread dumps, résolution contention threads

• Migration Java 8 → 11/17/21 et modernisation Spring sur services critiques

• Load balancer intelligent avec throttling adaptatif et suivi temps réel tokens/API

• Gestionnaire adaptatif HikariCP avec autoscaling sur métriques runtime (P95)

• Cache distribué Apache Ignite, migration Oracle → PostgreSQL

• Migration Azure — workloads batch sur Kubernetes (AKS)

• CI/CD Jenkins/ArgoCD GitOps + Chaos Testing

Stack : Java 8/11/17/21 · Spring Boot · HikariCP · Apache Ignite · Redis · Kafka · PostgreSQL · Oracle · Kubernetes (AKS) · Azure · Jenkins · ArgoCD · Prometheus · Grafana · ELK

J’ai intégré l’équipe PRODUCE AND DELIVER, composée de 4 sous-équipes sur le projet PRODCOM au sein du domaine ORDER, en charge de la gestion des commandes internes et des échanges de données entre PRODCOM et les autres systèmes (SAP, TRANSPORT, FINANCE).

Missions :

Développement : corrections de bugs et nouvelles fonctionnalités

Optimisation des batchs : développement multithread et profiling

Gestion des batchs et des flux / gestion des instances serveurs / analyse hprof

Analyse technico-fonctionnelle des incidents et problématiques

Astreinte RUN (1 semaine sur 6)

Stack technique : Java 11, Struts, JSP, Spring Boot, Docker, API REST, Kafka, Flux MQ (via OpenEX), JUnit, Jenkins, GitHub (Git), Log4j, Swagger, Oracle, Hawtio, Rundeck, GoldenEyes, Kubernetes.

Méthodologies : SCRUM, TDD.