Sujet de stage : amélioration des prédictions de fin de vie pour la mobilité connectée

Sujet de stage : Amélioration des prédictions de fin de vie pour la Mobilité Connectée - - - - - - - - - - - - - Tuteur : David Coppin Contexte : Durant les 50 prochaines années, le développement de nouvelles technologies dans les domaines de l’informatique et des télécommunications devrait permettre aux voitures de 1) fonctionner de manière totalement autonomes ou semi-autonomes, 2) anticiper les besoins d’opérations de maintenance. Dans ce contexte, les futurs modèles intègreront des algorithmes de contrôle de plus en plus innovants et complexes afin d’assurer des fonctions autonomes, améliorer leurs performances, améliorer le confort des usagers, accroitre la sécurité des passagers ainsi que celle des piétons et autres usagers de la route tout en sachant alerter sur des besoins de planifier des opérations de maintenance. Connaitre l’évolution des propriétés des pneus au cours de leur vie est clé afin de développer de telles capacités. Ces propriétés ne peuvent être connues qu’à travers l’utilisation d’une chaîne de calculs mettant en œuvre différents modèles physiques et statistiques intermédiaires. La construction de tels modèles d’estimation est actuellement un champ important de recherches et développements. Mission : De nombreux modèles physiques sont au cœur de la compréhension des performances du pneumatique. En parallèle, grâce à l’acquisition de signaux temporels multi-dimensionnels caractérisant l’usage d’une flotte de véhicules, on dispose de nombreux jeux de données pour calibrer des modèles physiques et statistiques permettant de réaliser des estimations sur divers paramètres. Dans ce contexte, les prédictions en lien avec la fin de vie des pneumatiques revêtent un intérêt particulier. L’objectif de ce stage est d’exploiter un modèle physique déjà existant et de le combiner avec des approches statistiques adaptées afin d’améliorer la qualité des prédictions en lien avec la fin de vie des pneumatiques et de quantifier leur degré d’incertitude. Après un apprentissage de l'environnement informatique (Python), des enjeux du projet et des méthodes actuellement en place, le stagiaire aura pour mission de : - Réaliser une étude bibliographique sur les méthodes prédiction et d’estimation d’incertitude dans le contexte de données temporelles, y compris les approches de machine/deep learning - Tester et évaluer les performances des différentes approches statistiques identifiées et quantifier leurs incertitudes - Comparer les résultats obtenus avec les approches ainsi identifiées à ceux obtenus avec les approches actuellement en place Par ailleurs, l’ensemble des facettes de la Data Science (visualisation, poser un problème et le traduire en des termes mathématiques, nettoyage de données, création et validation de modèles, communication) seront explorées au cours de ce stage. Délivrables : Les attendus en fin de stage sont : - Un rapport présentant les différents travaux réalisés - Un apport aux méthodes de prédiction utilisées dans l’équipe. Apports pour le candidat : - Etre intégré à une équipe multi-disciplinaire d’ingénieurs et docteurs-ingénieurs, développant des services innovants dans le domaine de la mobilité connectée, et organisée en mode start-up au sein d’un grand groupe industriel. - Une première expérience dans les domaines attractifs des data sciences, de l’intelligence artificielle et de la mobilité connectée qui permettront au candidat d’appliquer et développer un large spectre de compétences dans un domaine exigeant en termes de données et de qualités des résultats attendus. - Bénéficier de l’expertise de nombreux experts du centre de technologie de Michelin dans différents domaines (simulation, traitement du signal, dynamique véhicule, analyse de performances, analyses statistiques, modélisation, prédiction etc). Profil recherché : Etudiant.e niveau Master 2 (ou dernière année d’école d’ingénieur) avec une spécialisation en mathématiques appliquées dans l’un des domaines suivants : statistiques, data sciences. De bonnes connaissances sur les approches statistiques spécifiques aux séries temporelles sont requises ainsi que la maîtrise de Python. Une expérience de développement sous Python ainsi que la maîtrise d’outils de développement collaboratif (e.g. GitLab) sont des points positifs. Les notions de physique ne vous font pas peur. Organisé.e et rigoureux.se, vous avez une excellente capacité d'intégration, des qualités d' écoute, de l' énergie, et vous êtes force de propositions. Informations générales : - Stage rémunéré - Durée du stage : 5-6 mois - Démarrage: Entre fin Janvier et fin Avril 2026. - Localisation : Centre de Technologies Michelin de Ladoux, à Cébazat, près de Clermont-Ferrand - France - - - - - - - - - - - - Michelin entreprise engagée dans la mobilité durable et reconnue pour ses actions en faveur de l’expérience employé ! Une note de 99/100 à l’index de l’égalité femmes-hommes Entreprise « Handi accueillante », avec un réseau de référents et ambassadeurs Handicap pour vous accompagner 83,5% de taux d’engagement de nos employés 94,6% des stagiaires et alternants nous recommandent, label "Happy Trainees" depuis 9 années consécutives Classé parmi les groupes du CAC 40 les plus engagés selon les Bac5 à l’index RSE Universum 2023 Parmi les 100 entreprises les plus attractives pour les étudiants et actifs BAC2/3 au classement Universum 2023 N°1 des entreprises de plus de 500 stagiaires et alternants qui rémunèrent le mieux au Classement HappyTrainees® Rémunération 2023 Dans le Top 10 des meilleurs employeurs en France au classement Glassdoor 2023 Dans le top 3 des entreprises du secteur « Automobile / Equipementier » en matière d’attractivité employeur à l’édition 2024 du Palmarès @EPOKA @GROUPE IFOP @Occurrence Pour en savoir plus sur le Groupe : https://recrutement.michelin.fr - - - - - - - - - - - -