La qualité des données mesurées est essentielle pour garantir la performance des fonctionnalités de pilotage et la pertinence des analyses produites.

Certains foyers utilisent parallèlement un autre gestionnaire d’énergie, ce qui perturbe nos mesures et peut biaiser le contrôle énergétique. Voltalis souhaite renforcer la détection des perturbations sur ses mesures énergétiques via des approches avancées de Machine Learning.

Un premier algorithme d’identification de ces perturbations est déjà en place : l’objectif du stage est d’en améliorer la robustesse, la précision et la supervision.

Time Series - Anomaly Detection - ML - Python - IA énergie

Vos missions

Appropriation de la donnée et de la méthode existante

• Comprendre les enjeux liés à la qualité des mesures (températures, puissance…)

• Étudier l’algorithme interne actuel et ses limites

Étude des approches scientifiques de détection d’anomalies

• Revue de littérature sur les modèles adaptés aux séries temporelles

• Analyse des critères de performance pertinents pour l’usage métier

Conception et développement d’un nouvel algorithme

• Constitution d’un jeu d’entraînement basé sur les détecteurs existants

• Mise en œuvre d’une ou plusieurs variantes

• Évaluation des performances sur de larges volumes de données

Monitoring et industrialisation

• Mise en place de tableaux de bord de suivi

• Collaboration avec les équipes Data Engineering pour intégration

Stack technique

Python – BigQuery – dbt – Vertex AI

Ce que ce stage vous apportera

• Cas d’usage concret à grande échelle

• Cycle complet : conception → industrialisation

• Forte exposition à l’innovation énergétique

• Étudiant en école d’ingénieur / M1 / M2 – Data, IA, maths appliquées

• Bonnes bases en ML

• Intérêt pour le domaine de l’énergie apprécié

• Capacité d’analyse, rigueur et autonomie

• Une première visio exploratoire rapide avec un membre de l’équipe RH

• Un ou deux entretiens avec l’équipe Data