Stage - Prédiction de maintenance : alternatives Machine Learning à l'analyse de survie F/H - S[...]

Au sein de Safran Tech, le centre de R&T du groupe, l'Unité de Recherche Maths & Algorithms for Temporal Data (MATD) développe des méthodes innovantes en collaboration avec des partenaires académiques, dans des domaines tels que les modèles génératifs, l'évaluation de l'incertitude et l'analyse de survie. Dans les activités de maintenance prédictive, il est essentiel d'estimer la probabilité qu'un équipement doive être maintenu dans un horizon temporel donné. Une meilleure estimation permet d'optimiser la planification des interventions, de réduire les coûts logistiques et de maximiser la disponibilité opérationnelle des équipements. Elle offre aussi un avantage stratégique : pouvoir conseiller les clients sur les facteurs d'usure de leurs équipements.

Objectifs du stage

1. Réaliser une revue de la littérature sur les approches de classification adaptées aux données fortement déséquilibrées.
2. Définir un protocole expérimental permettant de comparer ces approches aux méthodes de survie classiques.
3. Préparer et transformer les données pour répondre à ce protocole.
4. Implémenter et tester différents algorithmes (Random Forests, XGBoost, réseaux de neurones, etc.) ainsi que des techniques de gestion du déséquilibre (SMOTE, focal loss, ensembles).
5. Évaluer les performances et comparer aux résultats obtenus par les méthodes d'analyse de survie déjà en place.

Compétences requises

Programmation : Python (bibliothèques scientifiques). Disciplines: machine learning, neural networks, probabilités & statistiques. Langues : Anglais pour lecture scientifique + communiquer.

Nous valorisons et encourageons les candidatures de personnes en situation de handicap pour nos opportunités d'emploi.