CS-01BANQUE
Kafka & OpenSearch as-a-service sur une marketplace interne
Dans une grande banque européenne, les équipes internes installaient leurs stacks streaming et search à la main. Nous avons conçu et livré des produits Kafka et OpenSearch/Elasticsearch as-a-service sur la marketplace interne du groupe — un cycle de vie 100 % self-service pour les équipes clientes internes.
Ce qu'on a fait- +Productisation du cycle de vie complet en self-service : création de cluster, service accounts, scaling, stockage additionnel, upgrades/migrations, backups S3
- +Choix d'OpenSearch pour maîtriser les coûts de licence Elastic Platinum
- +Monitoring et alerting automatisés via exporters Prometheus et Dynatrace sur Kubernetes
- +Administration des clusters aux standards audit et sécurité : ILM, snapshots/restore, index templates, chiffrement, ACLs
- +Automatisation des opérations avec Ansible et Python ; résolution d'incidents complexes en production
StackKafkaOpenSearchElasticsearchKubernetesAnsiblePythonPrometheusDynatraceLogstash
CS-02LUXE / RETAIL
Streaming sur AWS & search managé sur Elastic Cloud
Au sein d'un groupe de luxe mondial, nous avons opéré la plateforme Kafka sur AWS et le parc Elasticsearch sur Elastic Cloud (managé), derrière les flux de données publics et internes.
Ce qu'on a fait- +Administration des clusters Kafka publics et internes sur AWS : création, scaling, chiffrement, ACLs, performance et HA
- +Administration des déploiements Elasticsearch sur Elastic Cloud (managé) : Logstash, ingest pipelines, ILM, snapshot/restore, migrations
- +Pipelines temps réel avec Kafka Streams et Kafka Connect, intégrant Oracle et GCP
- +Transforms Elasticsearch (pivots) pour alimenter l'analytics
- +Infrastructure automatisée avec Terraform sur AWS (S3, ECS, EKS) et Python
StackKafkaKafka StreamsKafka ConnectElasticsearchElastic CloudAWSTerraformKubernetesPythonPrometheus
CS-03VEILLE MÉDIA
Recherche sémantique & alerting temps réel pour la veille média
Chez un acteur de la veille média, la recherche est le produit : les utilisateurs enregistrent des requêtes et attendent les contenus correspondants dès leur ingestion.
Ce qu'on a fait- +Déploiement de clusters Elasticsearch sur Kubernetes (EKS) et optimisation des performances de requêtes
- +Recherche sémantique par embeddings sur Elastic, en complément de la recherche lexicale
- +Ajout d'une couche AI au-dessus du retrieval
- +Percolation pour matcher les contenus entrants contre les recherches sauvegardées et pousser les résultats aux utilisateurs juste après l'ingestion — alerting temps réel
StackElasticsearchKubernetes (EKS)Vector & semantic searchEmbeddingsPercolatorPythonAI/LLM
CS-04AUTOMATISATION SUPPORT
Des agents AI qui automatisent le support au quotidien
Des tâches de support récurrentes occupaient les journées de l'équipe. Nous avons déployé des agents AI pour les prendre en charge de bout en bout.
Ce qu'on a fait- +Déploiement d'agents d'automatisation sur les workflows de support quotidiens
- +Près de 80 % des tâches traitées automatiquement de bout en bout
- +Les cas restants et les cas limites routés vers des humains
StackAI agentsLLMAutomation
CS-05TÉLÉCOM
Observability des bases de données 5G & détection d'anomalies par ML
Chez un équipementier télécom mondial, nous avons construit la plateforme de supervision des équipements base de données 5G, utilisée par des ingénieurs en France, en Inde et en Finlande.
Ce qu'on a fait- +Déploiement de la plateforme via Ansible : 5 clusters Elasticsearch, un cluster Hadoop (12 DataNodes / 3 NameNodes), Kafka, plus les collecteurs
- +Architecture Lambda sur les logs et KPIs, avec Python et Logstash
- +Industrialisation de la détection d'anomalies ML sur les logs — log-template mining (Drain/SLCT), matrice d'événements, PCA, clustering par densité (DBSCAN/HDBSCAN/OPTICS) — avec PySpark et Spark Streaming en lecture de Kafka
- +Jobs Jenkins pour démarrer et arrêter la supervision des équipements ; politiques ILM sur les clusters
- +Phase amont : un PoC de monitoring de KPIs (Logstash/Elasticsearch/Kibana) et un outil de chaos testing dont les scénarios de panne ont rejoint la campagne de régression CI du produit
StackElasticsearchKafkaHadoopPySparkAnsibleJenkinsPythonMachine Learning