Alternance dès oct. 2026 · Stage dès janv. 2027

Pierre Steve NGWEHA PENI

Junior Data & AI Engineer

SUPINFO Paris · Rythme 3 jours entreprise / 2 jours école

Étudiant en Data / AI Engineering, je passe mon temps à transformer la donnée brute en outils concrets. Qu'il s'agisse d'automatiser des pipelines SQL, de concevoir des dashboards ou de coder des agents IA, j'adore construire des solutions de bout en bout. Mon obsession ? Ne pas faire compliqué pour le plaisir de faire compliqué. Je pars toujours du besoin métier pour livrer l'outil le plus simple, robuste et utile pour ceux qui vont l'utiliser.

Île-de-FranceMailGitHubLinkedIn
Pierre Steve NGWEHA PENI

Projets

CrewMind — Analyse WhatsApp par IA

CrewMind — Analyse WhatsApp par IA

Analyse d'export WhatsApp avec profils membres, sentiment et chatbot RAG.

Application Streamlit qui charge un export WhatsApp (archive ZIP), parse les messages en DataFrame structuré, et propose une analyse complète du groupe. NLP appliqué à deux niveaux : profils membres (mot préféré, sentiment dominant par participant, heure de pointe d'activité) et humeur globale du groupe via analyse de sentiment sur échantillon, avec résultats en graphique et tableau. Visualisations poussées : volume de messages par expéditeur, activité temporelle, heatmap horaire, nuage de mots. Un chatbot RAG permet d'interroger l'historique du groupe en langage naturel : il recherche les messages les plus similaires à la question via ChromaDB et sentence-transformers, puis affiche les extraits pertinents avec leurs sources. Traite de gros volumes sans ralentir : plus de 29 000 messages traités sur un export réel, grâce à un parsing par pattern compilé et une indexation ChromaDB effectuée une seule fois par fichier (cache local), avec état de session Streamlit pour éviter les rechargements entre onglets. Conteneurisé via Docker Compose avec volumes persistants pour les données et l'index vectoriel. Consentement RGPD affiché au démarrage.

29 000+ messages analysés · NLP par membre + humeur du groupe · recherche RAG quasi instantanée grâce au cache d'indexation

PythonStreamlitpandasplotlysentence-transformersChromaDB+4
RAG CineMatch

RAG CineMatch

Système de recommandation de films par LLM & RAG.

Problème résolu : les recommandations de films génériques ne prenaient pas en compte les préférences sémantiques de l'utilisateur. Architecture RAG : ingestion de plus de 5000 synopsis via l'API TMDB, embeddings HuggingFace (sentence-transformers), indexation dans FAISS, génération via Mistral/Ollama orchestrée par LangChain. Pipeline ETL : scraping et nettoyage automatisé en Python et Pandas, mise à jour incrémentale du vector store. Résultats : précision Top-5 de 87% (MRR@5), latence de réponse inférieure à 1,2 seconde, déployé via Docker Compose.

Précision Top-5 de 87% (MRR@5) · latence < 1,2 s

PythonLangChainFAISSHuggingFaceMistral/OllamaFastAPI+2
Pipeline Data — Optimisation de Marché

Pipeline Data — Optimisation de Marché

Pipeline ETL Big Data avec PySpark, Airflow et dbt.

Ce projet consiste à concevoir et déployer Smart Buy Sentinel, une plateforme Big Data ETL end-to-end conteneurisée sous Docker, développée pour automatiser la veille de marché et éliminer la recherche manuelle et subjective d'opportunités de flipping e-commerce. Capable de cibler un catalogue de plus de 300 000 références produits, l'architecture s'appuie sur des scripts Python parallélisés couplés à Cloudscraper pour extraire en temps réel les données de plateformes majeures comme eBay, Amazon ou LeBonCoin. L'ingestion massive de ces flux bruts est prise en charge par des jobs PySpark distribuant les calculs vers un Data Warehouse PostgreSQL. Le pipeline opère une normalisation rigoureuse de la donnée structurée en trois couches analytiques (Staging, Intermediate, Marts) via dbt, appliquant un puissant moteur de classification contextuelle à 6 niveaux. Pour isoler les meilleures marges, un algorithme de Deal Scoring basé sur le Z-Score statistique calcule en direct la déviation des prix par rapport aux médianes réelles du marché. L'intégralité de ce workflow est orchestrée de façon 100 % autonome chaque jour par Apache Airflow. Enfin, les bonnes affaires détectées sont immédiatement poussées sur un canal d'alerting en temps réel via un Telegram Bot, tandis qu'un dashboard interactif multi-pages développé sous Streamlit permet de monitorer visuellement la volatilité et les tendances globales du marché. Les réponses de l'IA peuvent contenir des erreurs. En savoir plus

−80% du temps de sourcing produit vs recherche manuelle

PySparkAirflowdbtMongoDBStreamlitTelegram Bot
Orchestration Microservices Temps Réel — Fleetman

Orchestration Microservices Temps Réel — Fleetman

Migration d'une architecture microservices vers Kubernetes.

Infrastructure : déploiement d'un cluster multinœud, un master et deux workers, sur VM Ubuntu via Kubeadm et Containerd. Migration Kubernetes : migration d'une architecture microservices basée sur Spring Boot et ActiveMQ, de Docker Compose vers Kubernetes, avec gestion des manifests, services et ingress. Storage et résilience : persistance MongoDB avec PV/PVC, configuration haute disponibilité, cible d'uptime de 99,9%.

Cible uptime 99,9%

KubernetesDockerSpring BootMongoDBKubeadm
immozen

immozen

SaaS de gestion locative en Next.js, Node.js et MongoDB.

Problème résolu : automatisation de la maintenance en colocation via un algorithme d'attribution de tâches. Fonctionnalités : validation par traitement d'image via Cloudinary, signalement d'incidents, notifications par courriel, dashboard propriétaire, quittances automatiques. Stack technique : Next.js pour la vitrine et les leads, React Expo pour la PWA mobile, Node.js pour le backend, MongoDB.

−60% d'interventions non planifiées · 3 colocations pilotes

Next.jsNode.jsMongoDBReact ExpoCloudinary
Pipeline ETL & Visualisation E-commerce

Pipeline ETL & Visualisation E-commerce

Pipeline ETL NiFi/Python & Dashboard Power BI

Ce projet consiste en la mise en place d'une infrastructure de données moderne dédiée à l'ingestion, la sécurisation et la valorisation de flux transactionnels à grande échelle. L'architecture s'appuie sur un pipeline ETL automatisé qui orchestre le traitement de plus de 500 000 transactions grâce à la robustesse d'Apache NiFi et à la flexibilité de scripts Python. Au cœur de ce système, un module de sécurité avancé applique les règles du RGPD pour exécuter une anonymisation stricte sur plus de 17 champs sensibles, garantissant la protection des données sans en altérer la profondeur analytique. Après les étapes de nettoyage et d'enrichissement, les données fiabilisées alimentent un dashboard décisionnel Power BI conçu pour décoder les comportements d'achat (panier moyen, récurrence, segmentation). La performance de sa modélisation et la clarté de ses visuels ont permis de valider immédiatement son efficacité.

Enrichissement des données et analyse sur 500k+ transactions • Anonymisation conforme RGPD

PythonNiFiPowerBIRGPD
AI. MILO

AI. MILO

Détection temps réel du port du masque par computer vision.

Problème résolu : le contrôle manuel du respect du port du masque dans les lieux à forte affluence n'était pas systématique. Architecture : modèle YOLOv8 exporté en ONNX Runtime, exposé via une API FastAPI. Pipeline OpenCV et ffmpeg pour l'annotation vidéo en encodage H.264. Détection en direct dans le navigateur via webcam avec overlay en temps réel. Optimisation vitesse : sous-échantillonnage adaptatif des frames vidéo et inférence déportée sur threadpool, traitement vidéo jusqu'à 4 fois plus rapide, inférence image en moins de 100 millisecondes. Déploiement : conteneurisation Docker, mise en production sur Hugging Face Spaces.

Traitement vidéo 4x plus rapide · inférence < 100 ms

PythonYOLOv8ONNX RuntimeFastAPIOpenCVffmpeg+1

01 / 07

Expériences

Stagiaire Développeur Web

Digital Business SARL

Nov. 2022 – Avr. 2023 · Yaoundé, Cameroun

Développement d'un site e-commerce full-stack (catalogue, panier, paiement) en collaboration avec un mentor, générant +40% de commandes en ligne vs vente physique dès le premier mois post-lancement. Participation à la conception du modèle de données du site (catalogue produits, commandes, paiements), garantissant la cohérence et l'intégrité des transactions. Maintenance du parc informatique et support technique utilisateurs sur plus de 20 postes.

PHPMySQLJavaScriptHTML/CSS

Stagiaire Développeur Web

Helite High Tech

Juin – Août 2021 · Yaoundé, Cameroun

Conception et administration de bases de données MySQL pour plusieurs sites clients (modélisation des tables, relations, contraintes d'intégrité). Optimisation des requêtes SQL (indexation, réécriture de requêtes), réduction du temps de chargement de 35%. Structuration et extraction de données pour l'intégration front-end en responsive design.

MySQLSQLHTML/CSS

Compétences

Data & Intelligence Artificielle

PythonPySparkPandasNumPyScikit-LearnHuggingFaceAirflowdbtLangChainR

Développement & Frameworks Web

JavaScriptPHPHTML/CSSFastAPINode.jsNext.jsReactLaravelExpress.js

Bases de données

MongoDBPostgreSQLMySQL

DevOps, Cloud & Visualisation

DockerKubernetesGit/GitHubAWSJenkinsPowerBIStreamlit

Formation

Master of Science — Ingénierie Data

SUPINFO Paris

2026 – 2028 (en cours)

Big Data, Data Engineering, Cloud, MLOps, Architecture SI

Master orienté ingénierie de la donnée à grande échelle : Big Data, Data Engineering, Cloud, MLOps et Architecture SI.

Bachelor Développeur Data & IA

ECE Paris

2024 – 2025

Machine Learning, Deep Learning, Python, SQL, DevOps

Formation en développement orienté données et intelligence artificielle : Machine Learning, Deep Learning, Python, SQL, DevOps.

Licence Génie Informatique — Génie Logiciel

ESATAG, Yaoundé

2023 – 2024

Conception logicielle, UML, POO, Bases de données, Agile

Licence en génie logiciel : conception logicielle, UML, programmation orientée objet, bases de données, méthodes Agile.

BTS Génie Informatique — Génie Logiciel

IUM, Yaoundé

2020 – 2022

Algorithmique, Programmation, Bases de données, Réseaux, OS

BTS en génie logiciel : algorithmique, programmation, bases de données, réseaux informatiques, systèmes d'exploitation.

Contact

Travaillons ensemble !

Une opportunité à me proposer, une collaboration en tête ou simplement envie de suivre mon profil et te connecter sur les réseaux ? Laisse-moi un message ci-dessous ou clique directement sur mes liens pour me rejoindre. Je lis tout et je réponds très rapidement.