Rachid Jeffali

RÉSEAUX SOCIAUX

Objectif :faire évoluer une plateforme SaaS B2B de prospection automatisée LinkedIn/WhatsApp, avec de fortes contraintes de temps réel, de concurrence et de scalabilité.Résultats clés :Augmentation de la capacité de traitement d'environ5 à plus de 1 000 opérations simultanées.Optimisation de la concurrence backend viaJava Virtual Threads, réduisant la rétention des connexions PostgreSQL de3–5 secondes à ~10 msDéveloppement et maintien de2 035+ tests automatisés: unitaires, intégration et E2E.Architecture modulaire basée sur leDomain-Driven Design (DDD)avec contrôle automatisé des frontières applicatives.Harness Engineering & IA :Conception d'uneAI Factoryintégrée au cycle de développement.Orchestration d'agents IA spécialisés pour le planning, l'implémentation, les code reviews, les tests et le debugging.Workflowsmulti-agents et multi-modèles(Claude, Codex, Gemini) avec protocoles de validation et contrôle qualité automatisé.Guardrails architecturaux viaArchUnit, hooks Git et pipelines CI/CDDéveloppement piloté parBDD/TDD, vertical slicing et feature flags.Revues automatisées multi-personae : sécurité, performance, architecture, testing et simplicité.Stack :Kotlin, Spring Boot, PostgreSQL, WebSocket/STOMP, Docker, GitLab CI/CD, Playwright, Testcontainers.

SECTEUR PUBLIC & COLLECTIVITÉS

Objectif :transformer des données publiques complexes (INSEE, DVF, OFGL, RNE) en informations compréhensibles et exploitables en quelques secondes.Résultats clés :Agrégation, normalisation et exposition des données de35 000+ communes françaises.Conception d'un backendPython / FastAPIet de pipelines ETL multi-sources.Génération dedizaines de milliers de pagesoptimisées pour le SEO.Transformation d'un dashboard orienté analystes en un moteur de comparaison territoriale accessible sans expertise data.Backend & Data Engineering :Développement de pipelinesETL Pythonpour l'ingestion et la normalisation de données publiques hétérogènes.Modélisation territoriale avancée : codes INSEE, PLM, strates démographiques et rapprochement de sources.API développée avecFastAPI, adossée àPostgreSQL / PostGIS.Conception d'un système de scoring propriétaire par thème et de classements nationaux.Comparaison automatique des communes avec des territoires équivalents : strate démographique, voisinage et références nationales.Web, performance & SEO :FrontendNext.js / TypeScriptavec visualisations ECharts et cartographie MapLibre.Génération ISR à grande échelle avec données structurées JSON-LD et maillage territorial.Optimisation du rendu pour rendre immédiatement lisibles des volumes importants de données.Harness Engineering & IA :Mise en place d'uneAI Factorypour assister le cycle de développement.Orchestration d'agents IA spécialisés et de plusieurs modèles (Claude, Codex, Gemini).Workflows structurés de planning, implémentation, review, tests et debugging avec protocoles de validation et contrôle qualité.Stack :Python, FastAPI, PostgreSQL/PostGIS, Next.js, TypeScript, ETL, Tailwind, ECharts, MapLibre.

CONSEIL & AUDIT

Objectif :concevoir un moteur capable d'analyser un texte ou une URL et d'attribuer un score d'engagement sociétal à partir de corpus de pétitions à grande échelle.Résultats clés :Conception d'un système NLP exploité enproduction pendant 6 ans.Identification automatique de20 à 25 thématiquesà partir de contenus textuels.Analyse multilingue enfrançais, anglais et espagnol.Réduction des faux positifs grâce à une stratégie de scoring et de seuillage adaptée.Python, NLP & Machine Learning :Développement du pipeline complet :scraping → preprocessing → analyse NLP → scoring.Conception de modèles basés surNMF et TF-IDFpour l'extraction et la classification thématique.Création de pipelines linguistiques spécifiques : lemmatisation, n-grammes et stopwords adaptés aux corpus.Mise en place d'une détection automatique de langue combinant plusieurs modèles.Traitement et analyse des données avecPython, pandas, scikit-learn et spaCyArchitecture & scalabilité :Mise en place de traitements asynchrones avecApache Kafkapour absorber les volumes d'analyse.Conception d'un pipeline robuste de collecte, transformation et scoring des contenus.Travail sur la qualité des données et la limitation du bruit afin de produire des scores interprétables et exploitables.Stack :Python, scikit-learn, spaCy, Apache Kafka, pandas, NLP, Machine Learning.