Adam Jalal

Data Engineer, Cloud Engineer, Fondateur @ Exactis

Je construis des systèmes de données fiables : pipelines ETL, streaming temps réel, infrastructure cloud et MLOps.

Paris · Dublin

01 À propos

Des données qui circulent.
Des données fiables.

Étudiant en Data et Cloud Engineering en double diplôme (EPITA / Griffith College), spécialisé dans la construction de pipelines ETL, la recherche vectorielle (FAISS) et le déploiement MLOps. Fondateur d'Exactis, un SaaS B2B qui réconcilie les données de production industrielle avec les systèmes ERP.

Langues

FR
Français
Natif
IT
Italien
Natif
EN
Anglais
C1 / Courant
AR
Arabe
Courant (oral)

Ce sur quoi je me concentre

Pipelines de données
01
ETL, orchestration et qualité des données, des sources brutes aux KPI dignes de confiance.
Cloud & MLOps
02
Conteneurs, Kubernetes, autoscaling et observabilité pour faire tourner modèles et services en production.
Réconciliation fiable
03
Rapprocher les données de production des références ERP sans aucune erreur silencieuse, le cœur d'Exactis.
Ingénierie assistée par l'IA
04
Livrer plus vite et plus proprement avec Claude Code, Claude, Gemini et Google AI Studio.

En ce moment

Fondateur @ Exactis
3e année @ Griffith College, Dublin
EPITA, Paris

Portrait d'Adam Jalal — Adam JalalData & Cloud Engineer · Fondateur @ Exactis

~/adam/profile.json

{
"name": "Adam Jalal","role": "Data & Cloud Engineer","company": "Exactis","based": ["Paris", "Dublin"],"focus": ["ETL", "Streaming", "Cloud", "MLOps"],"ai_tooling": ["Claude Code", "Gemini", "MCP"]}

Paris · DublinUTF-8 · JSON

02 Impact en chiffres

Des résultats, mesurés.

9,17M+
enregistrements traités
NYC Taxi ETL
-82%
de temps de chargement PostgreSQL
NYC Taxi ETL
1h+/jour
de travail manuel supprimé
Lesieur Cristal
88%
de variance expliquée (R²)
AptiSkills
1 279
vecteurs, recherche en moins d’une seconde
AptiSkills · FAISS
-60%
de taille d'image Docker
CloudPredict

03 Fondateur

Exactis.

SaaS B2B qui réconcilie les données de production industrielle avec les systèmes ERP.

Fondateur · Paris, France · sept. 2026 - aujourd'hui

01
Construction d'un SaaS B2B assisté par l'IA qui réconcilie les données de production d'usine avec les données de référence ERP (SAP), en remplacement du nettoyage manuel sous Excel dans le reporting industriel SQDC.
02
Conception et déploiement du moteur de réconciliation (Vercel serverless) : la similarité Jaro-Winkler classe les correspondances candidates tandis qu'une validation limitée aux correspondances exactes garantit zéro erreur silencieuse, les quasi-correspondances étant envoyées en revue humaine.
03
Diagnostic : un score de similarité seul validait silencieusement des codes produits inversés (98,3 % de correspondance sur une mauvaise référence). Refonte de la logique de décision pour corriger ce cas, couverte par une suite de tests de non-régression.

exactis.pro adam@exactis.pro

reconciliation-engine · run #042

correspondance exactequasi-correspondance

Production · MESERP · référence SAP

3021-0112-403021-0112-40 Correspondance exacte - validée automatiquement
3021-0458-723021-0458-27 Code inversé - bloqué→ revue humaine
3021-0387-153021-0387-15 Correspondance exacte - validée automatiquement
3021-0520-093021-0520-09 Correspondance exacte - validée automatiquement

validés

revue humaine

erreurs silencieuses

Données illustratives. Un simple score de similarité validerait automatiquement 3021-0458-72 contre 3021-0458-27 (98,3 % Jaro-Winkler). Exactis ne valide automatiquement que les correspondances exactes et envoie les quasi-correspondances à un humain.

04 Expérience

Là où j'ai livré
du vrai travail data.

sept. 2026 - aujourd'hui
Paris, France
Fondateur
Exactis ↗
En cours
- Construction d'un SaaS B2B assisté par l'IA qui réconcilie les données de production d'usine avec les données de référence ERP (SAP), en remplacement du nettoyage manuel sous Excel dans le reporting industriel SQDC.
- Conception et déploiement du moteur de réconciliation (Vercel serverless) : la similarité Jaro-Winkler classe les correspondances candidates tandis qu'une validation limitée aux correspondances exactes garantit zéro erreur silencieuse, les quasi-correspondances étant envoyées en revue humaine.
- Diagnostic : un score de similarité seul validait silencieusement des codes produits inversés (98,3 % de correspondance sur une mauvaise référence). Refonte de la logique de décision pour corriger ce cas, couverte par une suite de tests de non-régression.
- Vercel
- SAP
- Jaro-Winkler
avr. 2026 - juil. 2026
Casablanca, Maroc
Data Engineer (stage)
Lesieur Cristal
- Architecture d'un pipeline de données multi-sources (API Evocon MES, SAP ERP via MB51, Excel) automatisant la revue de performance SQDC hebdomadaire et supprimant plus d'1 heure par jour de compilation manuelle sous Excel.
- Diagnostic et correction d'un bug critique d'agrégation DAX (un KPI erroné à 2 054 %) en refondant un modèle Power BI en étoile (Fact_Arrets + 3 tables de dimension) avec des mesures basées sur DIVIDE(), pour un reporting mathématiquement exact.
- Rédaction d'un Business Requirement Document pour la DSI du Groupe Avril afin de formaliser l'accès aux données SAP (codes mouvement 101/102/261/262), avec un objectif de fiabilité des données supérieur à 95 % et l'automatisation complète du canevas de performance.
- Power BI
- DAX
- SAP
- Evocon MES API
- Excel
mai 2025 - juin 2025
Levallois-Perret, France
R&D Data Engineer (stage)
AptiSkills
- Nettoyage et structuration de 74 matériaux composites (2 560 lignes brutes) issus de la base Sandia MHK dans un modèle relationnel SQLite (Matériau/Résine/Essai).
- Construction d'un pipeline de régression scikit-learn prédisant la contrainte maximale avec 88 % de variance expliquée (R²).
- Mise en place d'un index vectoriel FAISS (L2) pour une recherche de similarité en moins d'une seconde sur 1 279 vecteurs de matériaux, réduisant la recherche manuelle de plusieurs heures à quelques minutes, livrée via une application Streamlit de bout en bout.
- Python
- SQLite
- Scikit-learn
- FAISS
- Streamlit
- Pandas

05 Projets sélectionnés

Pipelines, plateformes
& moteurs de recherche.

Tous les dépôts

01 / 04Data Engineering
NYC Taxi ETL
9,17 M+ enregistrements, orchestrés de bout en bout et chargés 82 % plus vite.
trajets de taxis new-yorkais traités
9,17 M+
trajets de taxis new-yorkais traités
de temps de chargement PostgreSQL (~51 → ~9 min)
-82%
de temps de chargement PostgreSQL (~51 → ~9 min)
- Python
- Pandas
- PostgreSQL
- Prefect 3
- SQL
- SQLAlchemy
- +1
Lire l'étude de cas
02 / 04Architecture MLOps
Binôme
CloudPredict
Une plateforme MLOps cloud-native qui s'adapte seule de 2 à 10 pods.
de taille d'image Docker (multi-stage)
-60%
de taille d'image Docker (multi-stage)
pods, autoscaling à 50 % de CPU
2 → 10
pods, autoscaling à 50 % de CPU
- Docker
- Kubernetes
- HPA
- RBAC
- Nginx Ingress
- Prometheus
- +4
Lire l'étude de cas
03 / 04Plateforme de streaming
Binôme
Real-Time Shop Data Streaming
Des tickets de vente diffusés via Kafka, stockés, surveillés et exposés en direct.
pipeline de ventes sur un socle Kafka
Temps réel
pipeline de ventes sur un socle Kafka
seuil de stock qui déclenche une alerte
<10%
seuil de stock qui déclenche une alerte
- Kafka
- PostgreSQL
- Docker Compose
- Prometheus
- Grafana
- Python
Lire l'étude de cas
04 / 04Recherche vectorielle · ML
Réalisé pendant mon stage chez AptiSkills
Materials Similarity Search
Des tableurs de labo éparpillés à une recherche de similarité en moins d'une seconde.
matériaux composites structurés (2 560 lignes brutes)
74
matériaux composites structurés (2 560 lignes brutes)
de variance expliquée (R²) sur la contrainte max
88%
de variance expliquée (R²) sur la contrainte max
- Python
- SQLite
- Pandas
- Scikit-learn
- FAISS
- Streamlit
Lire l'étude de cas

06 Compétences

La stack derrière
les pipelines.

Python
Java
SSQL
Bash / Linux
PostgreSQL
MySQL
SQLite
SSSQL Server
Kafka
Prefect 3
FastAPI
Kubernetes
Docker
Git
CI/CD
NumPy

Python
Java
SSQL
Bash / Linux
PostgreSQL
MySQL
SQLite
SSSQL Server
Kafka
Prefect 3
FastAPI
Kubernetes
Docker
Git
CI/CD
NumPy

Pandas
Scikit-learn
FFAISS
MLflow
Hugging Face
PBPower BI
Streamlit
Grafana
Prometheus
Claude Code
Claude
Anthropic API
MCP
Gemini
Google AI Studio

Pandas
Scikit-learn
FFAISS
MLflow
Hugging Face
PBPower BI
Streamlit
Grafana
Prometheus
Claude Code
Claude
Anthropic API
MCP
Gemini
Google AI Studio

tip: survolez une techno pour voir où je l'ai utilisée.

Programmation & scripting

4 outils

Data & Cloud

11 outils

IA, ML & visualisation

10 outils

Ingénierie assistée par l'IA

6 outils

07 Formation

Deux écoles,
un double diplôme.

sept. 2026 - juin 2027
Griffith College
Dublin, Irlande
BSc (Hons) in Computing Science - 3e année, double diplôme
Double diplôme
Modules clés
- Administration système Linux
- Développement concurrent
- Bases de données relationnelles
- Réseaux & communication de données
- Structures de données & algorithmes
- Technologies web
sept. 2024 - juin 2027
EPITA
Paris, France
Programme Grande École
Spécialisation
- Cloud Engineering
- Machine Learning
- Algorithmique avancée
- Algèbre linéaire
- Architecture des systèmes

08 Certifications

Certifié, au-delà du code.

IBM Data Engineering & Linux

IBM

6 cours du certificat professionnel IBM Data Engineering

Cours validés · 6

02
AI & Law
Université de Lund
Voir le certificat
03
GDPR Foundations
Measured Collective
Voir le certificat
04
Attestation de participation
Ethics and Governance of Artificial Intelligence for Health
Organisation mondiale de la santé

09 Leadership & engagement

Au-delà du terminal.

nov. 2025 - juin 2026Paris
Ambassadeur étudiant
EPITA
Représentation des programmes IA & Management de l'EPITA auprès des futurs étudiants lors d'événements clés, pour renforcer l'engagement et la visibilité de l'école.
mai 2025 - sept. 2026Paris
Militant
Amnesty International France
Soutien aux campagnes de sensibilisation aux droits humains et aux actions de mobilisation citoyenne pendant 16 mois.
janv. 2025Paris
Membre du « Carré du Dean »
ISG - Institut Supérieur de Gestion
Co-rédaction de rapports stratégiques sur Toyota, LVMH et OpenAI ; rédaction d'un protocole d'accord (MoU) de partenariat international.
mai 2025Paris
Immersion en startup (shadowing)
Soro, Station F - le plus grand incubateur de startups au monde
Observation directe des dynamiques de croissance DeepTech et des méthodes agiles au sein de l'écosystème Station F.

10 Contact

Construisonsquelque chose de fiable.

Stage, mission, freelance ou simple question : ma boîte mail est ouverte.

Stages
Missions
Freelance
Questions

E-mail

adaam.jalal@gmail.com

M'écrire

Téléphone

+33 7 44 85 66 27

Appeler

LinkedIn/in/adam-jalal-tech GitHub@AdamJalalIA

Télécharger le CV Voir en ligne

Pour Exactis en particulier, écrivez-moi à adam@exactis.pro ou rendez-vous sur exactis.pro.

Adam JalalAdamJalal

Des données qui circulent.Des données fiables.

Langues

Ce sur quoi je me concentre

Pipelines de données

Cloud & MLOps

Réconciliation fiable

Ingénierie assistée par l'IA

Des résultats, mesurés.

Exactis.

Là où j'ai livrédu vrai travail data.

Pipelines, plateformes& moteurs de recherche.

NYC Taxi ETL

CloudPredict

Real-Time Shop Data Streaming

Materials Similarity Search

La stack derrièreles pipelines.

Programmation & scripting

Data & Cloud

IA, ML & visualisation

Ingénierie assistée par l'IA

Deux écoles,un double diplôme.

Griffith College

Modules clés

EPITA

Spécialisation

Certifié, au-delà du code.

IBM Data Engineering & Linux

AI & Law

GDPR Foundations

Ethics and Governance of Artificial Intelligence for Health

Au-delà du terminal.

Ambassadeur étudiant

Militant

Membre du « Carré du Dean »

Immersion en startup (shadowing)

Construisonsquelque chose de fiable.

Adam Jalal

Des données qui circulent.
Des données fiables.

Là où j'ai livré
du vrai travail data.

Pipelines, plateformes
& moteurs de recherche.

La stack derrière
les pipelines.

Deux écoles,
un double diplôme.