Stage - Data Science & IA pour la Maintenance Prédictive F/H Safran

Contexte et problématique

Les équipements industriels génèrent des données variées, issues des capteurs, des alarmes, des paramètres de production et des historiques de maintenance. À partir de ces données, tu contribueras à constituer des jeux d'apprentissage fiables et à comparer plusieurs approches d'intelligence artificielle.

Tu prendras en compte les contraintes liées à la rareté des pannes, au déséquilibre des classes et aux risques de fuite temporelle, ainsi que les enjeux d'explicabilité des résultats et de transférabilité des modèles entre équipements.

Au-delà des aspects techniques, tu contribueras à des projets d'avenir en étroite collaboration avec les équipes métiers, au plus près de leurs problématiques opérationnelles. Ces échanges te permettront de mieux comprendre les réalités du terrain et de mobiliser leur expertise pour concevoir ensemble des solutions concrètes, utiles et adaptées à leurs besoins.

Objectifs

Définir les événements à prédire et les horizons de prédiction.
Construire des bases d'entraînement fiables, traçables et comparables.
Prototyper des approches symboliques, de machine learning et temporelles.
Comparer les performances, la robustesse, l'explicabilité et le coût de mise en œuvre des modèles.
Identifier les conditions nécessaires à leur généralisation à plusieurs machines.

Missions principales

1. Préparation des bases d'entraînement

Définir les règles de labellisation avec les référents métiers.
Construire les fenêtres d'observation, les horizons de prédiction et les stratégies d'échantillonnage.
Mettre en place des découpages temporels entre les jeux d'entraînement, de validation et de test, afin d'éviter les fuites de données.

2. Feature engineering

Créer des variables portant sur les niveaux, les tendances, la variabilité, les dépassements, les séquences d'alarmes et les écarts aux consignes.
Développer des composants de features paramétrables et réutilisables d'un équipement à l'autre.

3. Modélisation

IA symbolique : règles expertes, seuils, logique événementielle et systèmes hybrides.
Machine learning : classification, scoring de risque, détection d'anomalies et modèles ensemblistes.
Modèles temporels : approches séquentielles et modèles de séries temporelles adaptés aux données industrielles.

4. Évaluation et explicabilité

Définir des métriques adaptées au coût des faux positifs et des faux négatifs.
Comparer les modèles par machine, par période et par régime de fonctionnement.
Produire des explications utiles et exploitables par les équipes de maintenance.

Profil recherché

Tu prépares un diplôme de niveau Bac+4 ou Bac+5 en data science, intelligence artificielle, statistiques, mathématiques appliquées ou informatique.

Tu as une démarche expérimentale solide et tu accordes une attention particulière à la qualité des données. Tu sais analyser les résultats et les traduire en recommandations opérationnelles. Ta curiosité, ta rigueur, ton autonomie et ta capacité à vulgariser des sujets techniques te permettront de réussir dans ce stage. Un intérêt pour les problématiques industrielles est également attendu.

Compétences essentielles :

Maîtrise de Python et de Git.
Préparation et analyse de données temporelles.
Bonnes connaissances en statistiques et en machine learning, supervisé comme non supervisé.

Compétences appréciées

Connaissance des modèles probabilistes.
Familiarité avec l'environnement AWS et Dataiku.
Notions de maintenance industrielle.

Expérience souhaitée

Tu as déjà réalisé un projet académique ou un premier stage portant sur des séries temporelles, des données issues de capteurs ou la détection d'anomalies.