Trainee

Trainee

- - - - - - - - - - - -

📍 Localisation : Clermont ferrand

🎓 Niveau d'études : Bac +5

📅 Date de début : A partir de Mars 2027

⏱️ Durée: 4 à 6 mois

Contexte

L'équipe Industrie 4.0 de Michelin est engagée dans la transformation de l'industrie en utilisant un ensemble de technologies clés du digital, notamment le numérique, les don-nées (data) et l'intelligence artificielle (IA). Ces éléments sont combinés pour favoriser une transition significative vers l'Industrie 4.0 dont l’ambition est d'améliorer la qualité des produits, réduire les coûts en minimisant l'impact environnemental, et favoriser l'innova-tion en accroissant l'agilité de l'entreprise pour répondre aux enjeux sociétaux et besoins changeants du marché.

Mission et objectif

L’exploitation de la quantité de donnée produite par l’industrie 4.0 reste souvent limitée par la complexité des phénomènes physiques sous-jacents. Les nouvelles méthodes de la science des données ouvrent la possibilité de découvrir des structures cachées. L’objectif de ce stage est d’identifier des propriétés adimensionnelles directement à partir de don-nées sans a priori physique. Le travail consistera à développer des approches fondamen-talement guidées par les données permettant d’extraire automatiquement ces structures latentes. Une attention particulière sera portée à l’explicabilité et à l’interprétabilité des résultats afin de transformer les modèles obtenus en connaissances exploitables.

Axes de recherche du stage

Ce travail commencera par une recherche bibliographique des différentes méthodes de découverte de structures cachées. Des benchmarks de complexité croissante seront utilisés pour construire des modèles. Ces benchmarks disposant d’invariants ou de structures latentes connus permettront de quantifier la capacité de découverte et la robustesse de chaque modèle. Les approches les plus prometteuses seront ensuite appliquées à des données industrielles réelles pour étudier la stabilité, l’interprétabilité et la transférabilité des propriétés identifiées. Les résultats obtenus feront enfin l’objet d’une analyse a posteriori afin d’évaluer leur cohérence avec les connaissances scientifiques existantes et leur potentiel de généralisation à différents procédés industriels.

(Champion et al., PNAS, 2019, DOI: 10.1073/pnas.1906995116 ; Lagemann et al., Nature Machine Intelligence, DOI : 10.1038/s42256-023-00744-z ; Brunton et al., PNAS, 2016, DOI : 10.1073/pnas.1517384113)

Missions du stagiaire

Durant le stage, le candidat sera amené à :

· Réaliser une revue de l’état de l’art des différentes méthodologies (i.e. autoencoders, variational autoencoders, méthodes de manifold learning et contrastive learning).

· Implémenter et tester les méthodes.

· Comparer les performances des différents modèles sur les données du modèle physique.

· Évaluer les solutions les plus prometteuses sur les données industrielles

Apports pour le/la candidat.e

Ce stage offre au candidat une expérience concrète et significative dans :

· La mise en œuvre d’architectures d’apprentissage machine.

· La validation de modèle utilisant des données industrielles complexes.

Cette expérience constitue une excellente préparation à un doctorat ou à un poste en R&D en mathématique appliquée ou dans l’intelligence artificielle.

Profil recherché

Le profil recherché est un(e) étudiant(e) de Master 2 en mathématiques appliquées, en science des données ou apprentissage profond.

Compétences attendues : bonnes bases en programmation scientifique (Python, PyTorch ou TensorFlow), connaissances en deep learning.

- - - - - - - - - - - -