Ir al contenido principal
Mouhssine Lakhili

Proyecto personal de subida de nivel

OpsPilot

Proyecto de gestión de incidentes y FinOps usado para practicar Java/Spring Boot, diseño de servicios y nociones cloud/observabilidad sin afirmar experiencia en producción.

Cómo está construido

  1. Interfaz Next.js
  2. Servicios Java, Spring Boot
  3. Datos PostgreSQL, Redis
  4. Operación Kubernetes, Terraform, Prometheus, Grafana (ejemplos)

Stack

Java, Spring Boot, Next.js, PostgreSQL, Redis, Kubernetes, Helm, Terraform, Prometheus, Grafana, OpenTelemetry

  1. Contexto

    OpsPilot es un proyecto personal reciente creado para trabajar seriamente Java/Spring Boot y conceptos de tipo platform sobre gestión de incidentes y FinOps.

  2. Problema

    El objetivo es practicar un producto orientado backend con límites de servicios claros, datos operacionales y ejemplos de despliegue, manteniendo Kubernetes/Terraform como nociones.

  3. Solución

    El proyecto combina servicios Spring Boot, una interfaz Next.js, almacenamiento relacional/cache y ejemplos de observabilidad/despliegue que documentan la arquitectura prevista.

  4. Arquitectura

    Los servicios backend exponen APIs consumidas por la UI. PostgreSQL/Redis soportan persistencia y acceso rápido. Kubernetes, Helm, Terraform, Prometheus, Grafana y OpenTelemetry aparecen como ejemplos de proyecto.

  5. Resultado

    El resultado es un proyecto de aprendizaje de nivel portfolio que muestra práctica backend y platform estructurada, sin afirmar KPIs de producción.

¿Te interesa este proyecto?

Estoy disponible para un CDI y para misiones freelance. Hablemos de tu equipo o de tu proyecto.

Otros casos de estudio

  • Full-stack

    Accessly — Caso de estudio

    Proyecto personal de subida de nivel para acceso a eventos y ticketing en tiempo real con .NET, C#, Angular, SignalR y SQL Server.

    1. Interfaz Angular
    2. API ASP.NET Core, CQRS
    3. Tiempo real SignalR
    4. Datos SQL Server, Redis, RabbitMQ
    Código fuente
  • Datos

    IA-AirBnB — Caso de estudio

    Un pipeline de ciencia de datos para predecir precios de Airbnb con datos de Lyon y París, con preprocesamiento, análisis, outliers, división train/test y modelos de regresión lineal.

    1. Datos brutos Anuncios de Lyon y París
    2. Limpieza Pandas, valores atípicos
    3. Modelo Scikit-learn, regresión lineal
    4. Evaluación División train/test
    Código fuente