Essohanam Josué KPATCHA

Profil

Étudiant ingénieur en dernière année à l'ENSA Al Hoceima, spécialité Data Engineering. Capacité à collecter, transformer et analyser des données complexes pour produire des indicateurs actionnables à destination des décideurs. Expérience en conception de pipelines analytiques, modélisation prédictive et restitution visuelle — avec une exposition directe aux frameworks consulting BCG. Fort goût de l'analyse, esprit de synthèse et orientation résultats. Disponible immédiatement · Casablanca CFC.

Compétences Techniques

Analytics & ML

Python (Pandas, NumPy, Scikit-learn, XGBoost, LightGBM), SQL avancé, Modélisation statistique, Feature Engineering, Classification, Clustering, Régression, A/B Testing

Visualisation & BI

Power BI, Apache Superset, Plotly, Matplotlib, Seaborn — tableaux de bord interactifs, KPIs, restitution exécutive

Data Engineering

Pipelines ETL/ELT (Airflow, dbt, Airbyte), Kafka, Spark, Azure Databricks, Snowflake, PostgreSQL, Great Expectations

IA Générative & Agents

LangChain, LangGraph, RAG, LLMs (Groq, Gemini), Langfuse, ChromaDB, HuggingFace, MCP

Cloud & DevOps

GCP, Azure (Databricks), AWS, Docker, Kubernetes, Terraform, CI/CD

Expériences Professionnelles

Stagiaire IA & Data Engineering

Juin – Sep. 2025 · 4 mois

ISICOD — Rabat, Maroc

Co-conçu une plateforme IA biométrique end-to-end pour la classification d'empreintes digitales (12 classes) et le comptage de crêtes — traitant 15 848 images de 5 sources hétérogènes. Dataset le plus complet de la littérature sur ce problème.
Livré une API REST de production (FastAPI + React) avec inférence temps réel et dashboard de supervision des métriques — directement opérationnel pour l'équipe produit.
Seul implémenteur d'un système de réentraînement Human-in-the-Loop : les corrections utilisateurs déclenchent un réentraînement incrémental PyTorch, permettant l'amélioration continue du modèle en production.

Technologies : Python · PyTorch · FastAPI · React · PostgreSQL · Docker

Stagiaire Machine Learning

Juin – Août 2024 · 2 mois

3D Smart Factory — Mohammedia, Maroc

Conçu des couches KAN personnalisées (Kolmogorov–Arnold Networks) intégrées dans un 3D U-Net pour la segmentation volumétrique d'images médicales IRM — +3 % de performance par rapport au baseline 3D U-Net standard.
Optimisation systématique de l'architecture (profondeur, noyaux, stratégies d'activation) via PyTorch sur datasets d'images médicales.

Technologies : Python · PyTorch · 3D U-Net · KAN · Imagerie Médicale · NumPy

Projets Sélectionnés

Analyse du Churn PowerCo — Simulation BCG Data Science

Mars 2026

Framework Analytics BCG · Simulation Consulting

Réfutation de l'hypothèse initiale du client : diagnostic des drivers de churn sur 14 600+ clients et 193 000 enregistrements de prix — la marge et le segment client sont les vrais drivers, pas la sensibilité prix.
Engineering de 50+ variables, benchmark RF/GB/XGBoost — XGBoost sélectionné : ROC-AUC = 0,68, Précision = 0,96. Synthèse exécutive avec recommandation de rétention ciblée.

Technologies : Python · XGBoost · Pandas · Matplotlib · Seaborn

Analyse Financière IA — Simulation BCG GenAI

Fév. 2026

BCG GenAI Team · SEC EDGAR · Architecture RAG

Système d'intelligence financière répondant à la question consulting "Comment se porte cette entreprise ?" — extraction de 2 000+ enregistrements de 34 sociétés × 3 ans via mapping XBRL depuis SEC EDGAR.
Calcul de 20+ KPIs financiers (ROE, ROA, marge nette, CAGR) benchmarkés par secteur. Moteur RAG hybride (ChromaDB + SQLite, Groq Llama 3.3-70b) avec observabilité Langfuse et failover LiteLLM.

Technologies : Python · LangChain · ChromaDB · SQLite · Groq · Langfuse · Flask · React

Prédiction de Santé Financière des PME — Compétition Zindi Africa

Jan. 2026

Risque Crédit PME · Afrique Australe · 9 600 entreprises

Système de classification de santé financière sur 9 618 enregistrements × 47 variables (4 pays). Gradient Boosting sélectionné : F1 = 0,82 pondéré, précision 78,7 %. API FastAPI déployée avec dashboard exécutif.

Technologies : Python · XGBoost · scikit-learn · FastAPI · Pandas

Prédiction de la Demande Internet — Togo National FTTH

Mai–Juin 2024

Compétition Zindi Africa · Politique Nationale · Infrastructure FTTH

Pipeline ML sur enquête nationale (~14 400 lignes, ~4 000 variables) pour prédire l'adoption d'internet et guider les investissements d'infrastructure gouvernementaux. XGBoost : ROC-AUC = 0,86, score compétition 0,7144.

Technologies : Python · XGBoost · PCA · Pandas · Scikit-learn

Formation

Ecole Nationale des Sciences Appliquées d'Al Hoceima (ENSA)

Diplôme d'Ingénieur — Data Engineering

Oct. 2023 – Juin 2026

Ecole Nationale des Sciences Appliquées de Fès (ENSA)

Classes Préparatoires Intégrées — Mathématiques Appliquées

Oct. 2021 – Juin 2023

Certifications

Oracle Cloud Infrastructure 2025 — Certified Generative AI Professional · Spark, Hadoop & Snowflake for Data Engineering — Duke University · AI Agents Fundamentals — HuggingFace · AWS Cloud Quest: Cloud Practitioner — Amazon Web Services · Neo4j Certified Professional · ETL and Data Pipelines with Shell, Airflow & Kafka — IBM · Introduction & Intermediate Machine Learning — Kaggle / Zindi Africa

ESSOHANAM JOSUÉ KPATCHA