🚀 Quel est le projet ?

Les algorithmes de maintenance prédictive reposent souvent sur des modèles d'apprentissage automatique complexes qui, bien qu'efficaces, manquent parfois de transparence, ce qui peut limiter leur adoption dans les environnements industriels critiques. Il est donc essentiel de développer des solutions d'IA de confiance (Trustworthy AI) et d'IA explicable (Explainable AI) pour améliorer la compréhension des prédictions et renforcer la confiance des utilisateurs finaux dans les systèmes d’IA. Dans ce contexte, nous recherchons un(e) stagiaire passionné(e) pour travailler sur le développement d'IA explicable et de confiance, permettant d'accroître la transparence et l’interprétabilité de nos algorithmes.

💡 Quelle est la problématique à résoudre ?

Le stage a pour objectif de développer et d’implémenter des techniques d’IA explicable et de confiance pour des algorithmes de maintenance prédictive, afin de rendre les modèles plus transparents, interprétables et fiables pour les utilisateurs. Plus spécifiquement, vous serez amené(e) à :

• Adapter les techniques d'IA explicable aux modèles de maintenance prédictive (e.g., Random Forests, Réseaux de Neurones, Gradient Boosting) ;
• Développer des outils permettant de visualiser et d'expliquer les prédictions des modèles ; 
• Évaluer la confiance des modèles et proposer des approches pour améliorer leur fiabilité.

📢 Quelles seront vos missions ?

• Étudier les différentes approches d'explicabilité de l'IA, à la fois Model-Specific (modèles auto-explicatifs comme les Additive Generalized Models - GAM) et Model-Agnostic (techniques telles que LIME, SHAP, saliency maps, etc.) ;
• Évaluer l'applicabilité de ces techniques dans le contexte de la maintenance prédictive, en tenant compte des besoins d'interprétation à la fois locaux et globaux ;
  
• Développer des approches pour rendre les modèles de maintenance prédictive plus explicables et compréhensibles par les utilisateurs ;
• Mettre en œuvre des indicateurs de confiance pour évaluer la robustesse et la fiabilité des prédictions ;
• Intégrer les méthodes d’explicabilité dans des prototypes d'outils de maintenance prédictive et tester leur efficacité sur des données réelles de maintenance ;
• Collaborer avec les équipes data science et ingénierie pour valider les solutions et les déployer dans un environnement industriel.

💻 Quel est l'environnement technique ?

• Langage : Python
• Libraire : Pandas, Numpy, Scikit-learn, Pytorch, Tensorflow
• Outils : git
  

🙌 Quelle équipe et quelle méthodologie ?

• Équipe : Intégré notre équipe data
  
• Encadrement : La méthode SOLENT ! Un management technique par un data scientist en IA appliquée aux systèmes industriels.
  
• Infos supplémentaires : Stage de pré-embauche

🔎 Vous êtes...

👨‍🎓👩‍🎓 Vous êtes en dernière année d'école d'ingénieur ou équivalent universitaire en IA ?

💼 Vous recherchez un stage en IA dans un contexte industriel ?

👉 Vous avez des compétences en python et ses bibliothèques d'apprentissage automatique et profond ?

👉 Vous avez déjà réalisé plusieurs projets en machine learning ?

👉 Vous avez un bon niveau en anglais (oral et écrit) ?

👉 Vous possédez d'excellentes compétences en communication interpersonnelle et en collaboration d'équipe ?

👉 Vous êtes avide de challenge ? De technique ?

👉 Vous avez un sens critique ? Un sens du service ? Un esprit de synthèse ? Une rigueur et une organisation dans vos projets ?

Si vous vous reconnaissez, alors n’hésitez plus et rejoignez nos équipes pour une nouvelle aventure !

Nous cherchons aujourd’hui nos futurs stagiaires… 🦸‍♀️🦸‍♂️