Fiche de révision : Parcours, compétences et projets de Harry Abib

1. 📌 L'essentiel

• Expérience en Data Engineering chez Engie avec pipelines Kubeflow sur AWS.
• Développement d’applications résilientes en Python et gestion de projets full cycle.
• Formation : Master en génie logiciel et ingénierie des données, Licence en informatique.
• Projets notables : application mobile de gamification et plateforme web de revue de code.
• Compétences clés : Python, Scala, Java, SQL, Big Data (Spark, Kafka), Cloud (S3, AWS), Docker, CI/CD, méthodologies agiles.
• Conception de pipelines automatisés, intégration de sources diverses, définition de KPI.
• Collaboration en environnement agile : Scrum, Kanban, outils Jira.
• Maîtrise des technologies cloud et bases de données NoSQL / NewSQL.
• Projets full cycle : de la conception à la mise en production.
• Capacité à gérer des projets en équipe multidisciplinaire.

2. 🧩 Structures & Composants clés

• Pipeline automatisé (Kubeflow) — orchestration de workflows ML/Data.
• Data lake (S3 + scraping PDF) — stockage et intégration de sources variées.
• Application mobile (React Native + Go) — gamification et notifications.
• Application web (Spring, Vue.js) — revue de code, gestion version.
• Outils et plateformes — Git, Docker, AWS, Jira.
• Bases de données — MongoDB, Neptune, PostgreSQL, OpenSearch.

3. 🔬 Fonctions, Mécanismes & Relations

• Pipelines automatisés orchestrés par Kubeflow optimisent le traitement Data.
• Intégration de données diverses dans S3 pour alimentation data lake.
• Définition de KPIs et métriques pour mesurer la qualité et la performance.
• Workflow en développement full cycle : conception, développement, déploiement.
• Applications mobiles et web reliées par notifications et gestion utilisateur.
• Collaboration agile : chaque équipe contribue à l'amélioration continue.
• Technologies cloud facilitent l’extensibilité et la résilience des applications.
• Bases de données NoSQL (MongoDB, Neptune) supportent stockages flexibles.

4. Tableau comparatif : Technologies cloud et bases de données

5. 🗂️ Diagramme Hiérarchique

Harry Abib
 ├─ Expérience professionnelle
 │    ├─ Data Engineer (Engie)
 │    │    ├─ Pipelines autom. (Kubeflow + AWS)
 │    │    ├─ Nouvelles sources (PDF)
 │    │    └─ Métriques & KPIs
 │    └─ Développeur Python (NUM RX)
 │         ├─ Application résiliente
 │         └─ Interface utilisateur
 ├─ Formation
 │    ├─ Master en génie logiciel/données
 │    └─ Licence informatique
 └─ Projets
      ├─ App mobile gamification
      └─ Plateforme revue de code

6. ⚠️ Pièges & Confusions fréquentes

• Confondre pipelines Kubeflow et autres outils d’orchestration.
• Confusion entre data lake (S3) et bases de données classiques.
• Termes "NoSQL", "NewSQL" souvent mélangés — savoir distinctions.
• Oublier l’importance des KPI dans la gestion qualité.
• Sous-estimer l’intégration de sources diverses (PDF, scraping).
• Confondre développement full cycle et phases distinctes.
• Mal interpréter le rôle de Kafka versus S3.
• Termes "agile" mal compris ou appliqué de façon superficielle.

7. ✅ Checklist Récap’ pour l’examen

• Connaître les composants principaux d’un pipeline Data.
• Savoir expliquer le rôle de Kubeflow et AWS dans l’automatisation.
• Identifier les technologies cloud utilisées par Harry.
• Différencier data lake, bases relationnelles et bases NoSQL.
• Connaître les étapes de développement d’une application full cycle.
• Disserter sur l’intégration de sources diverses (PDF, scraping).
• Maîtriser les projets réalisés (mobile, web) et leurs technologies.
• Être capable de décrire une architecture type pour une plateforme de revue de code.
• Comprendre l’impact des KPIs sur la gestion de données.
• Savoir utiliser un tableau comparatif pour technologies.
• Avoir en tête la hiérarchie et l'organisation spatiale des composants.
• Connaître les aspects clés de la collaboration agile.
• Être à l’aise avec le vocabulaire technique spécifique à ce parcours.

Fin de la fiche. Bonne révision !