---
title: "Données, IA & Machine Learning - José DA COSTA"
description: "Les données, l'IA et le ML, c'est pour moi la compétence qui **transforme événements et textes en décisions**. Ça couvre les bases relationnelles et NoSQL, la **dataviz** (Apache ECharts, dashboards b"
locale: "fr"
canonical: "https://portfolio.josedacosta.info/fr/competences/donnees-ia-machine-learning"
source: "https://portfolio.josedacosta.info/fr/competences/donnees-ia-machine-learning.md"
html_source: "https://portfolio.josedacosta.info/fr/competences/donnees-ia-machine-learning"
author: "José DA COSTA"
type: "skill"
slug: "data-ai-machine-learning"
generated_at: "2026-05-26T15:39:25.043Z"
---

# Données, IA & Machine Learning

Icône: 🤖

## Ma définition

Les données, l'IA et le ML, c'est pour moi la compétence qui **transforme événements et textes en décisions**. Ça couvre les bases relationnelles et NoSQL, la **dataviz** (Apache ECharts, dashboards business), l'ingénierie des données, les fondamentaux du machine learning et les workflows **LLM appliqués** (RAG, agentic, évaluation). C'est l'axe stratégique explicite de mon projet 2026-2028 : **agents de code** intégrés au cycle de développement, **LLM agentique** qui orchestre des actions réelles plutôt que des réponses, **nouveaux cycles dev agentiques** (spec → review → test → refactor → doc) augmentés par l'IA, et **workflows organisationnels d'entreprise** repensés autour des agents IA - de l'idéation produit à la livraison en prod.

### Contexte

Voilà mes **4 chantiers** en parallèle, classés par priorité 2026 :

- **Agentique dev et organisationnel** : **MCP servers** branchés sur l'environnement local, **agents de code** câblés à mon cycle de dev quotidien sur le SaaS comptable, **workflows agentiques** sur spec / review / tests / doc, orchestration **n8n et Workato** côté chantiers clients.
- **LLM-Ops production** : **RAG hybride et agentique** dans le pipeline ACCENSEO (**contextual retrieval + BM25 + reranker**), **eval LLM-as-judge** sur les sorties critiques, monitoring **token cost, latence et drift**, **routing multi-fournisseur** (Claude, GPT, Gemini) par typologie de tâche, **context engineering** comme discipline transverse.
- **Ingénierie de données à l'échelle SaaS** : enrichissement **vision-language et 3D**, **embeddings et vector search** via **pgvector** pour le RAG ACCENSEO, modélisation **type-safe Prisma** (~91 modèles sur le SaaS comptable, 98 sur le SaaS courtiers), MongoDB et PostgreSQL en production sur **plusieurs centaines de Go de RAM** chez ACCENSEO, **pipelines ETL** custom (Akeneo Ligneurs, Pichet 2019-2023), SQL avancé.
- **Fondamentaux ML** : sur **AdsPower (2016-2018)**, **classifications supervisées** pour la prédiction de bid (Google AdWords, Bing Ads, Facebook Ads), **clustering k-means** pour la détection de mots-clés négatifs et **NLP multilingue** TF-IDF + NLTK sur **10M+ requêtes par mois**, le tout entraîné sur **Azure ML Studio**.

C'est ce socle - **discipline d'engineering des entrées** (feature engineering hier, **context engineering** aujourd'hui), **fallback heuristique** en cas d'incertitude modèle, **monitoring quality score**, **latence sub-seconde** - qui me permet d'**évaluer un modèle génératif sans confondre démo et production**. Compétence **Expert (7/10, score 4.1/5)** en consolidation vers la cible **8/10**, sur la pile complète : **data engineering + ML appliqué + LLM-Ops + agentic dev**.

### Pertinence

En 2026, le sujet n'est plus « quel LLM choisir » mais **« quels agents orchestrer et sur quel contexte les brancher »**. Les agents IA sont passés du POC à la production en 18 mois : le [Anthropic 2026 Agentic Coding Trends Report](https://resources.anthropic.com/hubfs/2026%20Agentic%20Coding%20Trends%20Report.pdf) confirme que **22% des développeurs** utilisent déjà des agents de code et **66% des entreprises** prévoient leur adoption sous 12 mois ; VentureBeat formalise le pattern dans [Agentic coding at enterprise scale demands spec-driven development](https://venturebeat.com/orchestration/agentic-coding-at-enterprise-scale-demands-spec-driven-development), avec des cycles spec → review → test compressés de **semaines à jours** (Kiro, AWS, Amazon). LangChain pousse la thèse plus loin dans [Agentic Engineering: How Swarms of AI Agents Are Redefining Software Engineering](https://www.langchain.com/blog/agentic-engineering-redefining-software-engineering) : on passe d'un agent isolé à des **essaims orchestrés** avec rôles définis, mémoire partagée et couche d'observabilité commune. Le moat compétitif d'un SaaS B2B vertical n'est plus dans le LLM choisi mais dans le **contexte qu'on donne à ses agents** - données propriétaires permissionnées, retrieval orchestré, eval rigoureuse, garde-fous d'exécution, et **conformité AI Act intégrée dès la conception**. Anthropic, dans [Contextual Retrieval in AI Systems](https://www.anthropic.com/news/contextual-retrieval), a publié un protocole qui réduit les échecs de retrieval de **49% seul** et **67% combiné à un reranker** - nouvelle baseline production. Microsoft Azure prolonge dans [10 RAG Shifts Redefining Production AI in 2026](https://medium.com/microsoftazure/10-rag-shifts-redefining-production-ai-in-2026-7acbdd66076c) : la couche retrieval bascule du pipeline monolithique vers une **orchestration composable** (late-interaction ColBERT, GraphRAG, retrieval attribution, counterfactual testing, streaming RAG). En France, [ToHero - Agentique en 2026](https://www.tohero.fr/agentique-rag-gouvernance-ia/) et [aiacto - Agents IA en entreprise selon l'AI Act](https://www.aiacto.eu/fr/blog/agents-ia-entreprise-obligations-ai-act) rappellent qu'à partir du **2 août 2026**, les agents IA classés à haut risque doivent être **traçables, supervisables et interruptibles** (Article 14 AI Act), avec sanctions jusqu'à **15 M€ ou 3% du CA mondial**. Le CTO qui sait orchestrer des agents industrialisés - **spec-driven development, eval LLM-as-judge, drift detection, cost per feature, audit trail AI Act** - sur un domaine régulé devient recherché.

## Mes éléments de preuve

### Co-fonder AdsPower autour des pipelines ML AdTech

**Contexte:** En janvier 2016, j'ai co-fondé **AdsPower** comme **CTO et Chef de projet technique** d'une **startup early-stage** sans investisseur externe. Le pari : concurrencer Optmyzr (US) et Dolead (FR) avec une approche **ML-first** pour optimiser automatiquement les enchères Google AdWords, Bing Ads et Facebook Ads. Le marché était dominé par des moteurs de recommandations heuristiques, et **Azure ML Studio** venait juste de sortir de preview - on avait une fenêtre, mais aussi un défi : la **rareté des compétences ML à Bordeaux en 2017** et un **runway limité**.

**Mise en œuvre:** J'ai monté un pipeline ML complet : un **Data Collection Service** branché sur les API Google AdWords + Bing Ads + Facebook Ads SDK, un **SERP Scraper** custom (Goutte + CasperJS) couvrant **6 moteurs** (Google, Bing, Yahoo, Yandex, Baidu, DuckDuckGo) et absorbant **plus de 10 millions de requêtes par mois** via cache Memcached + queue Redis, et un **sidecar Python Flask** intégrant **NLTK + TF-IDF** pour le NLP multilingue. Côté modèles, j'ai entraîné sur **Azure ML Studio** des classifications supervisées pour la **prédiction de bid**, des clusters **k-means** pour la détection de mots-clés négatifs, et la **Google Prediction API** pour la segmentation d'audience. La stack applicative : **Symfony 3.2 + Angular** avec builds **Electron** desktop (Mac/Windows/Linux) et **Cordova** mobile (iOS/Android). Pour sourcer les freelances ML, j'ai fait des recherches **GitHub géolocalisées** sur les tags machine-learning.

**Résultat:** **3 itérations produit majeures** livrées en moins d'un an avec une **équipe de 4 freelances** que j'ai pilotée comme Technical Project Manager, plateforme couvrant **3 régies publicitaires** (Google, Bing, Facebook) avec recommandations en moins de 500 ms, et **3 bêta-testeurs actifs** sur la v1 de novembre 2016.

**Valeur ajoutée:** Cette aventure m'a appris dans la chair que **classification + bid optimisation peuvent être productisées** - pas juste démontrées en notebook. Les réflexes que j'y ai forgés (latence sub-seconde, fallback heuristique en cas d'incertitude modèle, monitoring du quality score) sont exactement ceux que je rejoue aujourd'hui sur les workflows LLM ACCENSEO. AdsPower n'a pas trouvé son PMF avant l'épuisement du runway, mais il a été ma première école **production ML**.

### Industrialiser l'enrichissement LLM multi-fournisseurs chez ACCENSEO

**Contexte:** Chez ACCENSEO, l'un des chantiers récurrents avec mes clients e-commerce et PIM, c'est l'**enrichissement massif de fiches produits par IA** : des **dizaines de milliers de fiches** à optimiser - taxonomie automatique, rewriting SEO de descriptions, amélioration photo (détourage, fonds, watermark), génération de **modèles 3D**, traduction multilingue, extraction d'attributs depuis les visuels. Le piège : si on s'enferme sur un seul fournisseur LLM, on subit ses pannes, ses prix et ses limites de débit.

**Mise en œuvre:** J'ai bâti un pipeline **multi-fournisseur** par défaut. Côté texte, j'ai intégré **OpenAI GPT, Anthropic Claude et Google Gemini** avec un routeur qui choisit le modèle selon la tâche (Claude pour la précision, GPT pour la créativité, Gemini pour le multimodal léger). Côté 3D, j'ai branché **TRELLIS**, **TripoSR** et **Shap-E** pour générer des modèles 3D à partir des photos produits. Côté image, traitement automatique du fond, détourage et watermark.

**Résultat:** Enrichissement déployé à l'échelle sur les plateformes e-commerce de plusieurs clients (immobilier, mode, viticulture, automobile, cuisine équipée), **lift qualité catalogue** mesurable sans coût linéaire en humains - et un produit interne **Addly** dérivé de cette expertise pour Confluence/Atlassian Forge.

**Valeur ajoutée:** Sur ce chantier j'ai compris que l'IA générative en production se gagne sur la **discipline d'observabilité** (token cost, latence, taux d'hallucination détectés) et sur la **stratégie multi-fournisseur**, pas sur la sophistication du prompt. C'est l'angle que je veux pousser sur le prochain rôle CTO scale-up : **transformer l'IA en moat**, pas en gadget de démo.

### Pipeline ETL Akeneo vers les portails immobiliers (Ligneurs)

**Contexte:** Pendant **4 ans** chez Pichet (2019-2023), j'ai été **référent technique** du pipeline d'export Ligneurs - le moteur de **diffusion automatisée** des annonces immobilières du groupe vers une vingtaine de portails partenaires (SeLoger, LeBonCoin, BienIci, LogicImmo...). Sur ce périmètre, j'ai travaillé **en binôme avec Thomas R.** sur les pans techniques principaux et coordonné les référents métier (Gaetan B., Leslie A.) et le prestataire externe sur les déploiements. Le système alimentait un volume estimé à **un lead toutes les 2 secondes** sur l'ensemble des portails. Toute interruption se traduisait directement en **leads perdus** et en chiffre d'affaires manqué.

**Mise en œuvre:** Avec **Thomas R.**, on a posé une **architecture modulaire par partenaire** plutôt qu'un moteur générique : un **conteneur Docker isolé par portail**, orchestré par **Kubernetes sur AWS EKS**, avec **GitLab CI** pour des déploiements ciblés sans impacter les autres flux. Côté ETL, le pipeline extrait via **API REST PIM Akeneo v2**, transforme au format spécifique de chaque portail (XML, CSV, JSON), pré-rend les **images en multi-format centralisé** (4/3, 16/9, panoramique, carré) pour éviter le retraitement par partenaire, et livre par **FTP/SFTP** automatisé. J'ai ensuite ajouté des **patterns défensifs** sur les sources hétérogènes : **circuit breaker** sur l'API PIM, **logique de retry** sur les uploads FTP, **algorithme de matching SKU** entre les programmes manuels et les programmes ERP. La **migration v1.4 → v2** a été menée **portail par portail** avec validation métier à chaque étape (référents Gaetan B. et Leslie A.), jamais en big-bang.

**Résultat:** **Migration zéro-downtime** sur tous les portails partenaires, monitoring centralisé avec alertes email automatisées, et le pipeline a tourné en **exploitation continue pendant 4 ans** sans perte d'annonce majeure - aucun équivalent ne tournait dans le département avec ce niveau de fiabilité.

**Valeur ajoutée:** Ce projet a élevé le **standard data engineering** que je porte sur chaque mission ACCENSEO : isolation par partenaire, traitement batch quand le streaming temps réel n'apporte rien, observabilité par flux dès la conception. C'est aussi sur ce projet que j'ai durablement compris la **dette d'architecture data** : un module unique générique semble simple à l'écriture mais devient ingérable à la dixième intégration partenaire.

## Mon autocritique

### Degré de maîtrise

Niveau **Expert (7/10, score 4.1/5)** avec cible **8/10** sur les deux prochaines années - approfondissement, pas changement de tier. **Fondations solides** : **workflows LLM agentiques multi-fournisseurs** (Claude, GPT, Gemini, Google Vertex avec routing par tâche), **RAG hands-on** avec **contextual retrieval + BM25 + reranker** dans le pipeline ACCENSEO, **embeddings et vector search** via **pgvector** sur PostgreSQL, modélisation **type-safe Prisma** (~91 modèles SaaS comptable, 98 SaaS courtiers), MongoDB et PostgreSQL en production sur **centaines de Go** côté [ACCENSEO](/fr/parcours/cto-founder-directeur-technique-accenseo), **fondamentaux ML** sur Azure ML Studio (AdsPower 2016-2018), **SQL avancé** comme socle.

**Ce qui reste à muscler** à l'horizon 2026-2028 - là où le marché vient juste de basculer : **orchestration multi-agents en essaims** (rôles définis, mémoire partagée, observabilité commune façon LangChain agentic engineering), **spec-driven development** comme contrat formel humain ↔ agent, **infrastructure d'évaluation continue** (LangSmith, Langfuse, LLM-as-judge à grande échelle, counterfactual testing), **GraphRAG et late-interaction retrieval** sur connaissances métier régulées, **MLOps grade production** (model registry, drift detection, A/B test sur prompts, **prompt-as-code versioning**), **AI Act audit trail** intégré dès la conception, **FinOps de l'IA** (cost per feature, budget par agent, latence vs qualité), **streaming RAG** sur ingestion continue.

### Importance dans mon profil

**Axe #1** de mon projet 2026-2028. C'est ce qui distingue un CTO « opérateur de stack moderne » d'un **CTO agent-native** capable de cadrer un produit IA-augmenté, sourcer une équipe data + ML / LLM cohérente et défendre une roadmap IA devant un board en distinguant ce qui est *moat* de ce qui est *commodity*. Sur un SaaS B2B vertical régulé, cette compétence conditionne trois leviers business : **vélocité produit** (cycles spec → prod compressés), **coût d'exploitation** (FinOps de l'IA) et **conformité AI Act** dès la conception. Sans cet axe, le rôle CTO 2026-2028 se réduit à un rôle d'opérateur stack moderne.

### Vitesse d'acquisition

Consolidation **Expert (7→8/10)** déclenchée fin 2024, mesurable trimestre par trimestre : **un livrable IA en production par trimestre**, intake hebdomadaire des releases modèles, rétrospective mensuelle « ce qui marche en prod vs ce qui a échoué ». Je n'avance pas par sprint d'urgence : je reste aligné avec la trajectoire, sans dette d'apprentissage à rattraper.

### Conseils (pour moi-même et pour les autres)

<u>À moi-même :</u> **eval écrite avant le code** sur tout chantier IA, **prompt registry** qui versionne chaque prompt, le rejoue sur datasets d'éval, compare les variantes côte-à-côte et trace leur évolution (avec un journal explicite de ce qui marche, de ce qui rate et pourquoi), zéro tolérance pour la dette de prompt non testée, et progression continue sur les **benchmarks FinOps LLM** (cost per feature, cost per agent, routing inter-modèles) - orchestrer plusieurs LLM dans un même produit ne s'improvise pas.

<u>Aux autres :</u> ne pas confondre **démo IA et production IA**. En 2026, **un seul LLM ne suffit plus** : il faut choisir le bon modèle pour le bon usage au bon moment, et il est courant de devoir **chaîner plusieurs LLM dans une même requête** pour des étapes complètement différentes mais complémentaires (extraction structurée avec l'un, raisonnement avec un autre, synthèse multimodale avec un troisième). Cette orchestration multi-modèles **complexifie l'usage** mais devient le vrai différenciateur. Avant de choisir un modèle, investir dans la **traçabilité AI Act**, les **garde-fous d'exécution** (sanitization, rate limit, fallback humain) et le **FinOps de l'IA** (cost per feature, budget par agent). Choisir une **stack data-first** avant la stack modèle - en 2026, le moat est dans le contexte qu'on donne aux agents, jamais dans le LLM choisi.

## Mon évolution dans cette compétence

### Rôle dans mon projet professionnel

### L'axe stratégique 2026-2028

La data et l'IA sont **l'axe qui porte mon prochain rôle CTO**. Dans les deux ans à venir, je veux le décliner sur un terrain concret : prendre la responsabilité produit d'un SaaS B2B vertical IA-augmenté dès la prise de poste, recruter une **première équipe data + ML / LLM de 3 à 5 personnes en 18 mois**, poser la couche RAG industrialisée et l'eval continue dans les 90 premiers jours du run, et tenir **4 cycles trimestriels** successifs de présentation roadmap IA au board avec métriques produit / coûts / conformité.

### Niveau souhaité à moyen terme

D'ici fin 2027, l'objectif observable est d'**opérer une plateforme data + IA grade production** avec pipeline RAG industrialisé (eval + drift detection), une **plateforme d'observation des coûts LLM et de versionning des prompts** (cost per feature, cost per agent, *prompt registry* qui trace l'évolution des prompts dans le temps et permet de comparer leurs variantes sur des datasets d'éval), un coût explicite par feature IA et une revue trimestrielle de la qualité. Le passage de **7/10 à 8/10** (consolidation du tier Expert) se mesure sur la triple maîtrise data engineering + ML appliqué + LLM-Ops + agentic dev, pas sur un score abstrait.

### Formations en cours

RAG hands-on intégré au pipeline ACCENSEO, intake hebdomadaire des releases LLM. Master Expert en Ingénierie du Logiciel actif jusqu'en 2026.

### Formations à venir

**Cohortes prioritaires 2026** : [AI Evals For Engineers & PMs](https://maven.com/parlance-labs/evals) (Hamel Husain & Shreya Shankar sur Maven, cohorte août 2026) pour l'**eval LLM-as-judge** en production, [Agentic AI sur DeepLearning.AI](https://learn.deeplearning.ai/courses/agentic-ai/information) pour les patterns **multi-agents et MCP**. **Certifications visées 2026-2027** : [NVIDIA Agentic AI LLMs Professional](https://www.nvidia.com/en-us/learn/certification/agentic-ai-professional/) (architecture multi-agents, orchestration, gouvernance), [AWS Certified Generative AI Developer Professional](https://aws.amazon.com/certification/certified-generative-ai-developer-professional/) (RAG production sur Bedrock). [**GCP Professional Data Engineer**](https://cloud.google.com/learn/certification/data-engineer) envisagée selon le contexte cible scale-up.

## Progression à travers les parcours

Cette compétence a été développée dans 12 parcours différents.

- **1999** - [CTO · Founder · directeur technique](https://portfolio.josedacosta.info/fr/parcours/celiane-founder.md) (entrepreneurship) - Confidence: 2/5
- **2001** - [BTS IG (Informatique de Gestion)](https://portfolio.josedacosta.info/fr/parcours/bts-computer-science.md) (education) - Confidence: 2/5
- **2008** - [Junior Software Engineer · webmaster développeur PHP Joomla](https://portfolio.josedacosta.info/fr/parcours/ministere-sante-webmaster.md) (experience) - Confidence: 2/5
- **2009** - [Software Engineer · développeur PHP Zend Framework](https://portfolio.josedacosta.info/fr/parcours/european-sourcing-engineer.md) (experience) - Confidence: 5/5
- **2013** - [Senior Software Engineer · lead développeur PHP Symfony](https://portfolio.josedacosta.info/fr/parcours/medialeads-senior-engineer.md) (experience) - Confidence: 4/5
- **2016** - [Technical Project Manager · Co-founder · Early-Stage Startup](https://portfolio.josedacosta.info/fr/parcours/adspower-cofounder.md) (entrepreneurship) - Confidence: 5/5
- **2017** - [Senior Software Engineer · lead développeur PHP Magento](https://portfolio.josedacosta.info/fr/parcours/smile-senior-engineer.md) (experience) - Confidence: 4/5
- **2019** - [Engineering Manager · Project Manager / Product Owner · Technical Lead](https://portfolio.josedacosta.info/fr/parcours/pichet-group.md) (experience) - Confidence: 5/5
- **2019** - [Technical Lead · Flux et Produits : contenus et intégration d'entreprise](https://portfolio.josedacosta.info/fr/parcours/pichet-technical-lead.md) (experience) - Confidence: 4/5
- **2020** - [Entrepreneur · divers domaines d'activités](https://portfolio.josedacosta.info/fr/parcours/auto-entrepreneur-jdc.md) (entrepreneurship) - Confidence: 4/5
- **2023** - [Master Expert en Ingénierie du Logiciel](https://portfolio.josedacosta.info/fr/parcours/master-software-engineering.md) (education) - Confidence: 4/5
- **2024** - [CTO · Founder · directeur technique](https://portfolio.josedacosta.info/fr/parcours/accenseo-founder.md) (entrepreneurship) - Confidence: 5/5

## Réalisations associées

- [Multi-Supplier Product Data Import System](https://portfolio.josedacosta.info/fr/realisations/import-european-sourcing.md) - Designed and operated multi-format ETL system (CSV/XML/FTP) with denormalization for search performance. Managed MySQL front/back architecture with ProxySQL, replication, and multilingual denormalized tables
- [Intelligent Accounting SaaS Platform](https://portfolio.josedacosta.info/fr/realisations/plateforme-comptabilite-saas.md) - 91 Prisma models with complex relational schema: chart of accounts, journals, entries, bank reconciliation, FEC
- [European B2B Search Engine for Promotional Products (European Sourcing)](https://portfolio.josedacosta.info/fr/realisations/moteur-de-recherche-europeen-b2b-objets-publicitaires.md) - Designed and optimized a 97-table MySQL schema with master-slave replication - SQL normal forms (1NF/2NF/3NF/BCNF), advanced indexing (B-tree, composite, covering), constant EXPLAIN plan analysis and progression to PostgreSQL full-text (tsvector/GIN) then Elasticsearch
- [EuropeanTool - B2B Promotional Product Platform](https://portfolio.josedacosta.info/fr/realisations/europeantool-plateforme-b2b.md) - Managed 15 GB MySQL database with 50+ tables, complex product catalog schemas, and export optimization
- [B2B Product Data Export Platform](https://portfolio.josedacosta.info/fr/realisations/export-donnees-produits-b2b.md) - Designed MySQL schema for export management with deadlock prevention, concurrent access control, and complex multi-table queries
- [Food Truck & Mobile Concept Platform - French manufacturer (alias MCR)](https://portfolio.josedacosta.info/fr/realisations/plateforme-food-truck-concepts-mobiles.md) - Shaped a 133-table PostgreSQL schema through Payload CMS collections and Drizzle ORM, including 46 versioning tables
- [Centralized Multilingual Translation Management Platform](https://portfolio.josedacosta.info/fr/realisations/plateforme-gestion-traductions-multilingues.md) - Queried 7 MySQL translation tables via Doctrine DBAL with search, pagination and validation tracking
- [E-Commerce Platform Redesign Magento Enterprise Edition (alias Fleurance Nature)](https://portfolio.josedacosta.info/fr/realisations/refonte-ecommerce-magento-fleurancenature.md) - Magento EAV schema (6+ tables per product), MySQL, 4 customer groups x 3 websites pricing matrix (12 combinations with catalog + cart rules)
- [ETL Pipeline for Real Estate Listing Syndication (alias Ligneurs)](https://portfolio.josedacosta.info/fr/realisations/pipeline-etl-syndication-immobiliere.md) - End-to-end ETL pipeline from PIM Akeneo to several dozen portals: extraction, multi-format transformation (XML/CSV/JSON), FTP/SFTP delivery, monitoring
- [PIM Extranet for B2B Promotional Products Search Engine (European Sourcing)](https://portfolio.josedacosta.info/fr/realisations/extranet-pim-b2b-objets-publicitaires.md) - MySQL then PostgreSQL with Doctrine, 6-step CSV import pipeline, 37 supplier connectors via FTP/HTTP/REST
- [E-Commerce Site Generator with Customization CMS (alias MyEasyWeb)](https://portfolio.josedacosta.info/fr/realisations/generateur-sites-ecommerce-avec-cms.md) - Managed 67 database entities with MySQL and Doctrine ORM across multi-tenant architecture

Version interactive avec navigation : https://portfolio.josedacosta.info/fr/competences/donnees-ia-machine-learning