Parcours

Une vague croissante de réglementations — EU DSA, EU TCOR, UK OSA, NY S895, CA AB 587, ECA du Brésil, India IT Rules, et d'autres — exige chacune un reporting de transparence granulaire et localisé de façon cohérente. L'approche précédente de Roblox était manuelle et difficile à faire évoluer à mesure que le paysage réglementaire continuait de s'étendre.

• Je pilote la stratégie et la production du reporting de transparence pour plus de 8 réglementations internationales.
• J'ai rédigé une suite de requêtes SQL modulaires, de qualité production et versionnées, pour des cycles de reporting reproductibles et auditables.
• Je conçois un modèle de données unifié de conformité produit et un pipeline de reporting automatisé pour faire évoluer et pérenniser le système en amont des audits externes.
• Je pilote des initiatives d'adoption de l'IA pour améliorer la productivité de l'équipe et réduire la charge manuelle.

Les chercheurs étudiant les plateformes en ligne — universitaires, organisations de la société civile et analystes de la sécurité des plateformes — n'avaient aucun moyen officiel et programmatique d'accéder aux données publiques de Roblox. Sans accès structuré, la recherche externe reposait sur la collecte manuelle ou le scraping non officiel, limitant la qualité et l'ampleur de l'examen indépendant que Roblox pouvait recevoir sur la modération de contenu, la sécurité de la plateforme et l'application des politiques. Par ailleurs, Roblox n'avait aucun mécanisme pour soutenir de manière proactive la communauté de recherche qui éclaire les décideurs politiques et la compréhension publique des grandes plateformes.

• J'ai identifié l'opportunité de créer la toute première Research Data API publique de Roblox — une capacité qui n'a jamais existé dans l'entreprise et qui n'est pas une pratique courante parmi les grandes plateformes de jeu.
• Je pilote la stratégie produit de bout en bout : définition des données publiques à exposer, conception du schéma de l'API et de l'architecture des endpoints, et définition de la gouvernance des données, des contrôles d'accès pour les chercheurs, de la limitation de débit, de l'authentification et des conditions d'utilisation.
• Je pilote l'alignement transversal entre l'Ingénierie, le Juridique, les Politiques publiques et la Confidentialité pour concevoir un modèle d'accès conforme, durable et évolutif.
• Je positionne l'API comme un complément structuré au reporting de transparence existant de Roblox — étendant la posture de responsabilité publique de l'entreprise au-delà des rapports périodiques, vers un accès aux données interrogeable et à la demande.

Construire du SQL et du Python de qualité production pour plus de 10 exigences de conformité réglementaire — rapports, RFI, évaluations des risques et support contentieux — prendrait normalement 3 à 6 semaines-ingénieur de pur codage par cycle. Avec un portefeuille réglementaire en expansion rapide et une équipe réduite, ce rythme était intenable.

• J'ai agi comme chef de produit et premier auteur dans un flux de travail de codage par IA avec supervision humaine (human-in-the-loop), en utilisant des agents Cursor pour générer du SQL et du Python de qualité production.
• Génération de plus de 7 000 lignes de code de production sur plus de 10 exigences réglementaires, les data engineers et data scientists jouant le rôle de relecteurs de code plutôt que de codeurs principaux.
• Conception d'un pipeline de développement structuré : contexte de requête et de schéma → SQL généré par l'IA → revue et validation humaines du code → affinage itératif → pipelines Python à grande échelle.
• Compression de la boucle de rétroaction entre le chef de produit et l'ingénierie, permettant une itération plus rapide et réduisant le goulet d'étranglement de la planification transversale.

Le groupe de travail Privacy Sandbox (plus de 900 ingénieurs, chefs de produit et personnel de conformité) croulait sous plus de 12 000 documents isolés dans des dépôts à accès restreint. La recherche d'information était un sérieux goulet d'étranglement — ralentissant le développement, la conformité réglementaire et la stratégie — mais la sensibilité du corpus excluait les outils de recherche généralistes.

• Auteur unique des documents de conception v1 et v2 ; moteur principal, de la conception au prototype fonctionnel.
• Consultation des parties prenantes de toute l'organisation pour diagnostiquer les points de friction, puis conception du système complet de bout en bout : frontend web, backend sur Agent Studio, Gemini 2.5 Pro comme LLM, et une base de données vectorielle indexant plus de 12 000 documents à accès restreint.
• Mise en œuvre de deux modes de fonctionnement : (1) Q&R expert avec RAG et citation des sources, ancré dans le corpus ; et (2) un mode de rédaction spécialisé pour générer les premières ébauches des évaluations de critères D&I — un flux de travail de conformité à haute fréquence — directement à partir des descriptions de changement fournies par l'utilisateur.
• Rédaction du prompt système, définition des exigences techniques, des contrôles d'accès et des mesures d'atténuation des risques, y compris les garde-fous contre les hallucinations et la revue humaine obligatoire.
• Présentation du projet au hackathon IA TPgM Privacy Sandbox ; prime exceptionnelle attribuée par un Senior Director pour avoir « débloqué un impact potentiel en matière de gain de temps et de qualité des réponses réglementaires ».

L'équipe juridique de Privacy Sandbox passait plusieurs heures chaque semaine à parcourir manuellement les rapports de bugs et les documents liés pour préparer un condensé de revue juridique. Le processus était lent, inconstant, et faisait goulet d'étranglement pour la supervision de la conformité de toute l'initiative Privacy Sandbox.

• Auteur et développeur unique de la solution d'automatisation de bout en bout.
• Collaboration directe avec l'équipe juridique pour comprendre son flux de travail, ses critères de décision et ce qui constitue un « bon » résultat pour chaque sous-équipe.
• Conception d'un pipeline en trois étapes : SQL (F1) pour extraire les données de bugs pertinentes → Python (Colab) pour l'orchestration → Gemini LLM via TextMiner pour le traitement.
• Élaboration d'une série de prompts multi-étapes accomplissant des tâches cognitives complexes : résumer les documents liés, identifier les risques clés au regard d'engagements réglementaires CMA spécifiques, et classer le type de revue requis (« Revue requise » vs « Pour information ») pour trois sous-équipes juridiques — Produit, Concurrence et Confidentialité.

Les rapports trimestriels de conformité du Monitoring Trustee (MT) — un livrable obligatoire au titre des engagements juridiques de Google auprès de l'autorité britannique de la concurrence et des marchés (CMA) — étaient produits manuellement. Le processus prenait plus de 60 à 80 heures-personnes par trimestre, présentait des enjeux élevés, était sujet aux erreurs, non documenté et dépendait de 5 à 6 points de défaillance uniques. Il n'y avait aucune auditabilité ni aucune visibilité quotidienne sur les indicateurs clés.

• Auteur et implémenteur unique. Les trois développeurs (SWE) qui avaient initialement cadré le projet estimaient que seul un ingénieur logiciel pouvait le construire — et doutaient qu'un TPM s'y risque.
• Conception de l'architecture système de bout en bout : un pipeline ETL puisant dans plusieurs sources de données internes (Teamgraph, journaux système bruts, imports non standard), avec traitement de données complexe, enrichissement LLM et génération automatisée des rapports.
• Architecture d'un flux de travail PLX exécutant une série de scripts SQL pour extraire, traiter et enrichir les données à travers trois groupes de travail (PSWG, NWG, AWG), avec calcul dynamique de la période de reporting et export vers Google Sheets.
• Mise en place de la gestion de versions et d'une conception modulaire des requêtes pour la maintenabilité, l'auditabilité et l'élimination des points de défaillance uniques.
• Livraison en avance sur le calendrier, par-dessus d'importants jours fériés internationaux.

Un écart de conformité important : des employés de l'organisation Privacy Sandbox, forte de plus de 500 personnes, n'étaient pas membres du groupe de travail obligatoire Privacy Sandbox (PSWG), une exigence fondamentale au titre des engagements CMA de Google. Il n'existait aucun mécanisme automatisé pour identifier, notifier ou suivre les personnes non conformes.

• Identification proactive de l'écart de conformité — entièrement de ma propre initiative ; ce n'était pas une tâche assignée.
• Conception d'un système de détection automatisé utilisant SQL pour recouper les chaînes de rattachement hiérarchique des employés avec les données d'appartenance au groupe PSWG.
• Construction d'un système de notification AppsScript pour envoyer automatiquement un courriel aux personnes non conformes et à leurs managers, avec suivi jusqu'à résolution.

L'équipe Legal Content Policy & Standards devait saisir rapidement l'essentiel de milliers de demandes de retrait légales entrantes pour la gestion des dossiers et l'analyse des tendances. Une revue manuelle à ce volume était irréalisable. La synthèse automatique des dossiers était la fonctionnalité la plus demandée pour leur tableau de bord de gestion principal — mais aucune solution évolutive n'existait.

• Auteur du document de conception et du guide utilisateur, et implémenteur principal de l'ensemble du flux de travail automatisé.
• Consultation directe de l'équipe LCPS pour définir les exigences et comprendre les nuances de l'utilisation opérationnelle des synthèses de dossiers.
• Conception d'un pipeline innovant utilisant SQLMiner pour exécuter l'inférence LLM en masse directement au sein de l'environnement de base de données — évitant d'exporter des données de dossiers sensibles vers un système intermédiaire et permettant une exploitation à l'échelle véritablement industrielle.
• Élaboration d'un prompt de type RAG alimentant le LLM avec des données structurées issues des tables de dossiers, produisant des synthèses concises, précises et de format cohérent pour chaque dossier éligible.
• Affichage des synthèses générées par l'IA directement dans le tableau de bord de gestion PLX principal de l'équipe, en tant que fonctionnalité à la demande.

L'équipe des opérations juridiques traitait les demandes de retrait légales manuellement — un flux de travail nécessitant une revue au cas par cas à travers plusieurs outils internes. Un arriéré de plus de 8 400 dossiers s'était accumulé, et le volume continu (des dizaines de milliers de dossiers) rendait le traitement manuel à effectif constant irréalisable.

• Construction d'un prototype node.js d'automatisation pour traiter l'arriéré immédiat de plus de 8 400 dossiers, prouvant la viabilité de l'approche avant d'investir dans une solution complète.
• Direction du développement d'une extension Chrome de production utilisant l'automatisation du navigateur pour traiter les demandes de retrait légales à grande échelle — automatisant le flux multi-outils qui nécessitait auparavant une interaction manuelle.
• Partenariat avec l'Ingénierie pour faire passer l'approche du prototype à un outillage prêt pour la production.
• Salué par des chefs de produit seniors, tant pour la rapidité de livraison que pour l'impact sur la capacité de l'équipe.