CV
Guillaume Besseau
Data Engineer — Context Engineering (IA) — 43 ans — Nantes
La qualité est le fil rouge de mon parcours, du contrôle qualité industriel à la fiabilité des chaînes de données aujourd'hui. Développeur depuis 2019 (7 ans d'expérience), aujourd'hui Data Engineer : je rends la donnée accessible pour la décision. Context Engineering (IA) : je transforme la documentation en matière exploitable pour piloter des agents, toujours avec une supervision humaine calibrée au risque (human-in/on-the-loop) et jamais en pilote automatique.
Compétences développeur
Chaque compétence est reliée à l'expérience ou la formation où elle a été utilisée — clique pour la retrouver dans le Parcours ou la Formation.
Parcours
Data Engineer
En bref : ~1,5 million de lignes de données traitées par jour sur une architecture hub-and-spoke fédérant ~30 usines · recherches d'analyse ramenées de 2 jours à 30 minutes via un "cerveau" IA (RAG) · détection qualité en temps réel avant impact.
- Architecture "hub-and-spoke" : ~100 topics Kafka par usine (silos réseau isolés pour la sécurité), agrégés vers un socle central Databricks — environ 1,5 million de lignes traitées et utilisables par jour
- Système de sondes qualité en temps réel sur ~10 % du flux, avec suivi de tendance et alerting — détection avant impact
- Dashboards de suivi et alerting
- Sécurité des protocoles à toutes les étapes de la chaîne
- Maintien des frameworks Quarkus et Spring Boot (suivi des CVE)
IA
- Mise en place d'un système de workspace pour piloter en agentique 120 dépôts Git, avec un repo central qui injecte instructions et skills à tous les niveaux
- Pattern skill / script / template : la logique déterministe reste portée par des scripts testables, l'IA ne complète que le langage naturel — moins d'hallucinations, maintenabilité indépendante du modèle
- Création d'un "cerveau" métier (RAG) injecté dans Databricks Genie : qualité d'analyse nettement améliorée par l'assistance IA — recherches ramenées de 2 jours (à la main) à 30 minutes
- Automatisations bâties sur ce socle : mise à jour synchronisée du parc de services, gel de version pour une release, génération de changelogs et de documentation technique
- Formation et conseil client en prompt engineering : gain de temps, choix des outils, compréhension du fonctionnement et des limites statistiques des LLM
Développeur backend
- Développement backend ABAP SAP, module IS-U
- Formateur DAO / tests unitaires / conception orientée objet sur le projet
- Orchestration avec PI/PO, travail sous Agile SAFe
- Remplacement ponctuel du Scrum Master
Formation développeur web et web mobile
- Site d'enchères en Java EE / SQL Server
- Site d'organisation d'événements d'entreprise en Java EE / SQL Server et PHP / MySQL
Équipier de collecte
- Connaissance des matières et des filières de recyclage
- Conduite de véhicules d'entreprise, aménagement logistique du dépôt
- Suivi et maintien du lien clientèle
Intérim
- Secteurs variés : fleurs, crevettes fraîches, surgelé
Responsable contrôle qualité
- Mise en place du service contrôle qualité, encadrement d'une équipe de 15 personnes
- Suivi de production (Excel / Visual Basic), 14 000 guitares vérifiées par an
- Missions à l'étranger : formation d'équipes qualité chez Korg USA (Farmingdale, NY) et Musicmeyer (Frankfurt)
- Remontée des enjeux de fabrication en Chine auprès du service R&D
Intérim
- Manutention en plasturgie, métallurgie, emballage
Ma méthode IA
En parallèle de mes missions, j'ai formalisé une façon de travailler avec l'IA — testée sur mes projets personnels autant qu'en contexte professionnel — que je fais aussi vivre auprès de mes clients en les formant et conseillant sur le prompt engineering et le fonctionnement des modèles. Je documente cette pratique de context engineering en conditions réelles (méthodologie, outillage, coûts) sur mon blog.
Approche
- Triptyque brainstorm → roadmap → todo, proche de BMAD-METHOD et du Spec-Driven Development : une décision n'est figée qu'une fois discutée, documentée façon ADR (Architecture Decision Record), et révisable
- Mémoire de projet en RAG markdown-based : des fichiers Markdown organisés par domaine métier connu (pas de recherche vectorielle), qui servent à la fois de documentation et d'instructions pour piloter l'agentique — capture continue, condensation périodique, promotion vers un socle de référence, la documentation devient un sous-produit du travail, pas un effort à part
- Logique déterministe séparée du langage naturel : des scripts testables pour ce qui ne doit pas halluciner, l'IA ne complète que les parties qui nécessitent du langage — pour limiter les hallucinations et garder la maintenabilité indépendamment du modèle
- Niveau de supervision choisi selon le risque de chaque tâche (contrôle systématique, supervision ponctuelle, ou autonomie) plutôt qu'une revue uniforme — pour rester efficace sans perdre le contrôle sur ce qui compte, y compris en "vibe coding" : je garde le harnais et je vérifie à hauteur du risque, je ne code pas à l'aveugle
- Périmètre assumé : j'utilise l'IA et j'aide à en améliorer les usages chez le client, je comprends le fonctionnement des modèles, mais je n'interviens pas sur le fine-tuning ni la gestion de bases vectorielles — un autre métier, que je ne revendique pas
Outils
Usage régulier de plusieurs LLM (OpenAI/ChatGPT, Claude, Mistral, et des modèles open-weight en local via Ollama comme Qwen), avec un regard critique sur leurs forces respectives :
- Claude : ma préférence pour le développement agentique, pour sa gestion du harnais (outillage, contexte, permissions)
- Mistral : option souveraine et européenne, pertinente selon la politique de données du client
- GitHub Copilot : pertinent pour des équipes fonctionnelles habituées à la suite Microsoft, mais peu adapté aux devs sur la gestion du harnais — coûteux, et dérive vite quel que soit le LLM utilisé derrière
- Modèles locaux (Ollama) : à surveiller pour plus tard — reste à maîtriser le coût à l'usage, les architectures mixture-of-experts, et la logique des modèles open-weight chinois (Qwen...), dont l'approche est intéressante et mérite d'être suivie de près
- En conseil : Claude pour les équipes dev quand la politique de données de l'entreprise le permet, Copilot pour les équipes fonctionnelles déjà intégrées à la suite Microsoft