Expertise Dataiku

De la conception au run, je couvre toute la chaîne.

Six certifications Dataiku Academy, dont Generative AI Practitioner, et trois ans de pratique quotidienne sur des plateformes en production, en environnement régulé.

Je n'interviens pas seulement sur la construction. Ce qui fait la différence sur une plateforme Dataiku, c'est ce qui vient après : la mise en production, la supervision, et la capacité à diagnostiquer seule quand une chaîne casse.

01

Conception et développement

Je construis les flows de bout en bout, en choisissant le bon type de recipe et le bon moteur d'exécution selon le volume et la source. Je sais lire un flow que je n'ai pas écrit, le reprendre et le restructurer.

Recipes visuellesRecipes SQLPythonPySparkPartitionnementJointures et agrégationsConnexionsDatasets managés
02

Automatisation et scénarios

Je conçois des scénarios qui anticipent ce qui peut mal tourner : données absentes, traitement amont en échec, exécution hors fenêtre. Un scénario doit savoir attendre, réessayer, et ne prévenir que quand c'est utile.

DéclencheursÉtapes conditionnellesGarde-fousReprises automatiquesNotifications différenciéesDépendances inter-projetsOrchestration
03

Mise en production

Je prépare et pilote les livraisons seule : alignement des environnements avant le premier bundle, gestion des variables selon leur portée, calage des périodes à traiter, et une procédure de retour arrière écrite avant de déployer.

BundlesDeployerVersioningVariables projet et instanceEnvironnements de codeAlignement des connexionsRollback
04

Supervision et run

Je considère la supervision comme faisant partie de la livraison. Je mets en place les contrôles qui détectent aussi ce qui ne lève aucune erreur : un scénario qui ne démarre pas, un volume anormal, un référentiel qui ne matche plus.

Monitoring des jobsContrôles de fraîcheurContrôles de volumétrieRègles qualitéAlertingGarde-fous avant diffusion
05

Diagnostic et gestion d'incident

Je prends un incident de l'analyse technique jusqu'à la relance en production. J'ai l'habitude des pannes silencieuses, celles où rien n'échoue mais où le résultat est faux, et de la coordination avec les équipes infrastructure et métier.

Analyse de cause racineMoteurs d'exécutionMetastore et partitionsRéconciliation multi-sourcesCoordination DevOpsCommunication métier
06

IA générative et agents

J'ai conçu et livré un workflow agentique complet : agents autonomes orchestrant les traitements, chaîne NLP et intégration de l'API GPT. Je l'ai construit comme un pipeline de production, avec contrôles des sorties et traçabilité, pas comme une démonstration.

Agents autonomesRAGKnowledge banksAPI GPTPrompt engineeringNLP et sentiment analysisÉvaluation des sortiesGarde-fous sur les réponses
07

API, gouvernance et transmission

J'automatise la supervision via l'API Dataiku, et je laisse derrière moi des standards et de la documentation. Un projet que personne ne sait reprendre devient une dette au bout de trois mois.

API DataikuSuivi des jobs par scriptConventions de nommageModèles de pipelinesDocumentation techniqueFormation des utilisateurs

Dataiku 14

L'IA agentique entre en production

Dataiku 14 fait passer les agents du prototype à la plateforme gouvernée : Agent Hub, évaluation et revue des agents, validation humaine, traces et monitoring d'usage. C'est exactement le terrain où mon expérience d'industrialisation sert.

Construire

Visual Agents et Python tools, agents structurés, outils SQL et lookup de datasets, knowledge banks pour le RAG, Semantic Models.

Évaluer et encadrer

Agent Testing, Agent Evaluation, Agent Review, validation humaine avant action, guardrails sur les documents et les contenus.

Exploiter

Agent Hub, monitoring d'usage, Traces Explorer, export des conversations, contrôle d'accès et contexte utilisateur.

Un agent qu'on ne peut ni évaluer ni tracer n'est pas prêt pour la production, exactement comme un pipeline sans monitoring. C'est le même métier.

Autonomie

Ce que je prends en charge seule

Sur une plateforme Dataiku, je n'ai pas besoin d'être encadrée pour les sujets suivants.

Un projet de bout en bout

Du cadrage avec le métier jusqu'à la mise en production et la supervision, sans passer le relais entre les étapes.

Une mise en production

Préparation de la cible, bundle, import, run de validation, activation et procédure de retour arrière.

Un incident de production

Diagnostic, correction, validation en bac à sable, relance, et communication auprès des équipes concernées.

La reprise d'un existant

Comprendre un flow que je n'ai pas écrit, identifier ce qui est fragile, et le fiabiliser sans tout réécrire.

Un dispositif de contrôle

Monitoring, contrôles de volumétrie et de qualité, garde-fous conditionnant la diffusion des livrables.

La montée en compétence d'une équipe

Standards, documentation, ateliers et guides pour que les utilisateurs deviennent autonomes.

Au-delà de Dataiku

L'environnement autour de la plateforme

Une plateforme Dataiku ne vit jamais seule. Voici ce sur quoi je travaille autour.

PythonSQL avancéPySparkHadoop / Hive HDFSDatabricksSnowflakePostgreSQL BigQueryAWS (S3, Athena)API REST Power BI (DAX)RAG et agents autonomesNLP GitJIRAAgile

Voir les certifications vérifiables →

Un sujet Dataiku à confier ?

Décrivez-moi le contexte et je vous dis franchement si c'est dans mon périmètre.