SAE :

Titre SAE : Stage

▶︎ Les apprentissages critiques

1. AC12.01 | Analyser un problème avec méthode 2. AC12.02 | Comparer des algorithmes pour des problèmes classiques **** 3. AC12.03 | Formaliser et mettre en œuvre des outils mathématiques pour l’informatique

▶︎ Mon analyse personnelle

1. Mes démarches et mon autonomie (Prises de décision)

Dans le cadre de mes projets chez Eureden, l'optimisation a été un fil conducteur pour transformer des codes instables ou trop lourds en systèmes performants. Mon autonomie s'est illustrée par ma capacité à analyser des blocages et à proposer des alternatives architecturales fortes.

Sur le projet de la plateforme de tests automatisés, j'ai constaté que la solution de départ ralentissait le système en tentant de lancer des processus lourds en direct. J'ai pris la décision de mener une étude comparative et de concevoir une architecture asynchrone (les tâches s'exécutent en arrière-plan). Sur le projet du calculateur de prix de grains (Côté Marché), face à un code monolithique hérité et complexe, j'ai pris l'initiative de le restructurer entièrement pour optimiser sa maintenance et sa vitesse d'exécution, en pilotant le projet en cycle court face à une échéance très serrée.

2. Les ressources choisies et combinées

Pour optimiser ces applications, j'ai combiné des ressources logicielles et des outils d'analyse :

Gestion des flux et des données : J'ai combiné RabbitMQ (pour réguler le trafic des données) et Kubernetes (pour isoler les ressources du serveur) afin de bâtir un système distribué performant.
Supervision et diagnostic : J'ai utilisé Grafana pour analyser les logs du serveur en temps réel, ce qui m'a permis de détecter précisément où se trouvaient les pertes de performances ou les rejets de requêtes entre le calculateur et l'API de l'entreprise.
Support technologique : J'ai intégré l'utilisation d'Intelligences Artificielles (Gemini) comme assistants ciblés pour accélérer la compréhension de bugs complexes dans le code que je devais optimiser.

3. Justification des Apprentissages Critiques (AC)

Mes choix techniques et méthodologiques sur le terrain démontrent la validation des objectifs d'optimisation :

AC22.01 | Choisir des structures de données complexes adaptées au problème : Pour la plateforme de tests, l'application devait manipuler des informations variées (fichiers de tests, types d'utilisateurs, résultats). J'ai implémenté un dictionnaire de correspondance structuré (TEST_MAPPING) associé à des objets JSON standardisés (Payloads). Cela a permis de structurer et de faire circuler des données complexes de manière fluide entre l'interface utilisateur et le robot de test.
AC22.02 | Utiliser des techniques algorithmiques adaptées pour des problèmes complexes : Le robot de test Selenium rencontrait de graves problèmes de stabilité à cause des temps de chargement variables de l'application web. Pour y remédier, j'ai remplacé les pauses de temps fixes par un algorithme d'attentes explicites. Le script interroge en continu le DOM pour détecter l'apparition exacte d'un élément avant d'agir, optimisant ainsi le temps d'exécution global.
AC22.03 | Comprendre les enjeux et moyens de sécurisation des données et du code : C'était un enjeu critique. J'ai sécurisé le code du calculateur de prix en créant un module de validation (validators.gs) qui filtre les données dès la saisie (en bloquant par exemple les caractères alphabétiques dans les champs de prix) pour empêcher toute corruption de la base de données de l'entreprise. Côté infrastructure, j'ai implémenté les signaux transactionnels ACK/NACK avec RabbitMQ : si un processus de test plante, le message n'est pas perdu, il est réinjecté de manière sécurisée dans la file d'attente.
AC22.04 | Évaluer l’impact environnemental et sociétal des solutions proposées : En migrant la plateforme de tests vers une architecture événementielle régulée par la directive prefetch(1), j'ai fait en sorte que le serveur ne traite qu'un seul test à la fois. Cela évite les pics de surcharge du processeur (CPU) et de la mémoire vive (RAM) sur le cluster Kubernetes de l'entreprise, limitant ainsi la consommation énergétique des serveurs Cloud (AWS). Sur le plan sociétal, l'optimisation ergonomique du calculateur a permis de rendre les équipes métiers complètement autonomes, réduisant leur stress face aux fluctuations quotidiennes des marchés agricoles.