À propos
Roland Macheboeuf — data, machine learning & software craftsmanship
Ingénieur Centrale Lille, plus de 4 ans à livrer en production — du SaaS d'assurance maritime construit seul jusqu'à la rentabilité au rôle de tech lead chez TotalEnergies. Data engineering, machine learning et software craftsmanship, avec une constante : comprendre le besoin métier et livrer un code qui tient dans la durée.
Expériences
OCTO Technology (Accenture)— Paris
Consultant data · Mars 2024 – Avril 2026
TotalEnergies
Data Proxy Tech Lead · Avril 2025 – Décembre 2025
Construction de produits data en production sur Databricks/AWS (approche Data Mesh) pour l'optimisation de portefeuille d'actifs renouvelables.
- Nette réduction des coûts de traitement Spark par l'optimisation des charges et un suivi FinOps.
- Architecture hexagonale, tests automatisés et monitoring proactif (dashboards, alerting, post-mortems) pour fiabiliser la production.
- Dépôts mutualisés (inner-sourcing), dont un outil d'UI intégré à la production, pour unifier les pratiques entre équipes.
- Accompagnement des ingénieurs juniors (revues de code, clean code).
IPSEN
Architecte Data · Janvier 2025 – Mars 2025
Définition de l'architecture cible Data Mesh et de la gestion des données de référence (MDM) pour une plateforme data globale, en environnement pharmaceutique réglementé.
- Évaluation de plusieurs plateformes (Databricks, Snowflake, Microsoft Fabric) pour équilibrer coût, gouvernance et passage à l'échelle.
- Cible permettant des produits data interopérables en batch et en streaming entre domaines métier.
Streem Group
Data Engineer · Mai 2024 – Décembre 2024
Conception d'une architecture hybride on-premise/Azure pour de nouvelles capacités d'analyse.
- Développement de pipelines de données (DBT, Airflow) combinant données on-premise et cloud.
- Industrialisation de l'orchestration et framework de test sur mesure pour DBT, renforçant la fiabilité et les standards de production.
Gouvernement britannique
ML Researcher · Avril 2024
Audit de modèles de détection de deepfakes sur vidéo lors d'un hackathon gouvernemental.
- Analyse de l'état de l'art (génération et détection de deepfakes).
- Recommandations ML/MLOps pour renforcer les accélérateurs existants.
Trapil (via MP Data)— Paris
Computer Vision ML Engineer · Sept. 2023 – Mars 2024
Conception et entraînement de modèles de vision par ordinateur (PyTorch) pour analyser des images ultrasonores de pipelines d'hydrocarbures.
- Détection, localisation et classification des défauts sous fortes contraintes de temps de calcul, avec un rappel élevé sur les défauts critiques.
- Déploiement en périphérie (edge) d'un orchestrateur multi-thread et d'une API Python intégrée aux logiciels existants.
Meetrisk— Paris
ML Engineer & Full Stack Developer · Mars 2022 – Août 2023
En binôme avec le CEO, expert en assurance, j'ai lancé de zéro une plateforme SaaS de notation du risque maritime — rentable en moins de 18 mois.
- Pilotage de la découverte client et du cadrage technique : traduction de l'expertise des souscripteurs et des signaux faibles en modèles de risque ML.
- Réduction de l'exposition à des navires impliqués par la suite dans des incidents graves.
- Conception et mise à l'échelle sur Kubernetes (Python/React) : ingestion temps réel des positions de navires, traitement ML par lots.
WeSmart— Bruxelles
ML Engineer · Avril 2019 – Juil. 2019
Développement et mise en production (API) d'un prédicteur de consommation énergétique.
- Modèle de prévision sur données IoT en séries temporelles.
- Mise en production via une API (Python, scikit-learn, Docker).
Amadeus SAS— Nice
ML Researcher · Mai 2018 – Août 2018
Prototypage de modèles de deep learning (Python/Keras) pour compléter des données stratégiques manquantes pour des utilisateurs B2B.
- Génération automatique de descriptions d'hôtels (LSTM).
- Classement d'images par attractivité (CNN, transfer learning).
Formation
Centrale Lille & Master de mathématiques — Université de Lille
Sept. 2016 – Juil. 2019 · Lille
Spécialisation data science : machine learning, statistiques bayésiennes, optimisation, traitement du signal.
Cours avancés du Master de mathématiques (partenariat Centrale–Université de Lille) : analyse fonctionnelle, calcul stochastique, statistiques.
Mémoire de fin d'études : application du machine learning à la finance.
Projet de groupe (chef de projet) : plateforme de covoiturage dynamique, optimisation par méta-heuristiques (Java, multi-threading).
Classes préparatoires (CPGE) — physique-chimie
Sept. 2014 – Juin 2016 · Lille
Deux ans de préparation intensive aux concours des grandes écoles d'ingénieurs (mathématiques, physique, chimie).
Conservatoire de Lille
Sept. 2019 – Mai 2022 · Lille
Formation avancée en piano et théorie musicale (CEPI/CPES) : interprétation, écriture, déchiffrage, musique de chambre.
Certificat de cycle 3 obtenu en mai 2022.
Certifications
AWS Certified Solutions Architect – Professional
Amazon Web Services · En préparation (2026)
Databricks Certified Data Engineer Professional
Databricks · Obtenue mai 2024 — expirée mai 2026
Databricks Certified Machine Learning Professional
Databricks · Obtenue mai 2024 — expirée mai 2026
Machine Learning Engineering for Production (MLOps) Specialization
Coursera (DeepLearning.AI) · Obtenue mai 2023
Deep Learning Specialization
Coursera (DeepLearning.AI) · Obtenue février 2022
Expertise
Avant d'écrire la moindre ligne de code, je cherche à comprendre le besoin réel : je pose beaucoup de questions, je cadre, puis je propose une solution adaptée au problème plutôt qu'à la dernière tendance.
Langues
- Français
- Langue maternelle
- Anglais
- Courant — C1 (TOEIC 985/990)
- Coréen
- pré-intermédiaire