Stage - prdiction de maintenance : alternatives machine learning l'analyse de survie f/h

Stage - Prédiction de maintenance : alternatives Machine Learning à l'analyse de survie F/H Détail de l'offre Informations générales Entité de rattachement Safran est un groupe international de haute technologie opérant dans les domaines de l'aéronautique (propulsion, équipements et intérieurs), de l'espace et de la défense. Sa mission : contribuer durablement à un monde plus sûr, où le transport aérien devient toujours plus respectueux de l'environnement, plus confortable et plus accessible. Implanté sur tous les continents, le Groupe emploie 100 000 collaborateurs pour un chiffre d'affaires de 27,3 milliards d'euros en 2024, et occupe, seul ou en partenariat, des positions de premier plan mondial ou européen sur ses marchés. Safran est la 2ème entreprise du secteur aéronautique et défense du classement « World's Best Companies 2024 » du magazine TIME. Parce que nous sommes persuadés que chaque talent compte, nous valorisons et encourageons les candidatures de personnes en situation de handicap pour nos opportunités d'emploi Référence 2026-198236-179485 Description du poste Intitulé du poste Stage - Prédiction de maintenance : alternatives Machine Learning à l'analyse de survie F/H Type contrat Stage Durée du contrat 3-6 mois Statut (CSP) Etudiant Temps de travail Temps complet Parlons de votre future mission Safran est un groupe international de haute technologie, leader mondial dans les domaines de l'Aéronautique, de l'Espace, de la Défense et de la Sécurité. 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. Problématique Aujourd'hui, ces probabilités sont calculées grâce à des méthodes d'analyse de survie (WeibullAFT, Random Survival Forests [1], DeepHit [2], etc.), qui visent à estimer la courbe complète de survie (la probabilité qu'un individu survive au moins jusqu'au temps t pour tout t). Or, dans de nombreux cas, seule la probabilité de maintenance à un horizon précis est nécessaire, ce qui ne nécessite pas l'estimation de la courbe de survie complète). L'idée de ce stage est donc d'explorer l'utilisation d'algorithmes de classification ML/DL classiques pour ce problème, afin de : - profiter d'un vaste écosystème algorithmique, capable d'intégrer des covariables complexes et des données longitudinales (ex. séries temporelles de vols), - contourner certaines difficultés propres à l'analyse de survie, comme la gestion du fort taux de censure, - tester les stratégies récentes pour traiter le déséquilibre des classes [3]. Objectifs du stage Le/la stagiaire aura pour mission de : 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. Mais encore ? (avantages, spécificités, ) Bibliographie : [1] Ishwaran, H., Kogalur, U. B., Blackstone, E. H., & Lauer, M. S. (2008). Random survival forests. [2] Lee, C., Zame, W., Yoon, J., & Van Der Schaar, M. (2018, April). Deephit: A deep learning approach to survival analysis with competing risks. In Proceedings of the AAAI conference on artificial intelligence (Vol. 32, No. 1). [3] Zhao S et al. (2025). A Survey on Small Sample Imbalance Problem: Metrics, Feature Analysis, and Solutions. https://arxiv.org/abs/2504.14800 Parlons de vous Programmation : Python (librairies scientifiques) Disciplines: machine learning, neural networks, probabilités & statistiques Langues : Anglais pour lecture scientifique communiquer Localisation du poste Localisation du poste Europe, France, Ile de France, YVELINES (78) Ville Rue des jeunes bois 78117 Châteaufort Critères candidat Niveau d'études min. requis BAC3, BAC4 Niveau d'expérience min. requis Jeune diplômé-e/Première expérience