MateusGetulio

Les équipes de support n’avaient aucune vue commune des clients les plus importants. J’ai construit le système qui les score et les classe automatiquement, du dépôt vide à la production sur AWS en tant que seul ingénieur : moteur de scoring, tâche de classification quotidienne, alertes sur le chat et un tableau de bord avec mode aperçu pour que des non-développeurs puissent ajuster eux-mêmes les seuils. Puis j’ai rédigé le guide, formé les responsables et passé le relais.

Le pipeline de bout en bout quotidien d’une grande plateforme e-commerce ne passait que 4 jobs sur 24 ; une suite instable qui bloque les merges ralentit toute l’équipe. J’ai réécrit les tests pour les nouvelles interfaces, rendu la préparation des données déterministe, corrigé le paiement Stripe et PayPal sur des clones CI éphémères et réparti l’étape sur des exécuteurs parallèles. 24/24 au vert, environ deux fois plus rapide, et c’est resté ainsi.

Du délestage au niveau applicatif : plafonner le nombre de visiteurs simultanés et mettre le surplus en file d’attente, premier arrivé, premier servi, avec position en direct et admission automatique. Le cœur : une admission atomique sous un verrou nommé MySQL, conçue pour échouer vers la file et jamais au-delà du plafond, et une suite e2e qui prouve que 20 visiteurs en parallèle avec une limite de 5 produisent exactement 5 admissions. Reconstruit en 2026 à partir de ma version de 2023 ; le dépôt documente chaque défaut d’origine et son correctif. Publié dans le répertoire officiel des extensions WordPress.org après revue de la Plugins Team. Code sur GitHub.

Les équipes métriques paient pour des milliers de séries que personne ne regarde, parce qu’en supprimer une sans preuve semble risqué. wallflower audite ce que Prometheus ou Mimir ingère par rapport à ce que les tableaux de bord et alertes Grafana consomment réellement, en analysant chaque expression PromQL avec le parseur de Prometheus lui-même, classe le gaspillage par cardinalité et par coût, et génère les règles de suppression pour le récupérer. Il fonctionne comme garde-fou de CI qui n’échoue que sur les régressions et produit un rapport HTML autonome ; un environnement de démonstration déterministe Mimir + Grafana sert aussi de fixture e2e, la CI vérifie donc que l’audit trouve exactement le gaspillage planté.

Un CLI en Go qui analyse des livres blancs d’entreprise publics à la recherche de points de douleur récurrents et classe des pistes d’opportunités SaaS avec des citations vers les sources : un pipeline en 13 étapes couvrant découverte, ingestion, embeddings et analyse par LLM. Résolument compliance-first : respecte le robots.txt, ne contourne jamais les paywalls et stocke des résumés plutôt que les documents.