Stage Analyse de Survie pour la Maintenance Prédictive H/F - Safran

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'emploiSafran est un groupe international de haute technologie et leader dans les domaines de l'Aéronautique, de l'Espace, de la Défense et de la Sécurité. Au sein du centre de R&T du groupe (Safran Tech), l'Unité de Recherche Maths & Algorithms for Temporal Data (MATD) mène de nombreuses activités de recherche avec des partenaires académiques dans des domaines tels que les modèles génératifs, l'évaluation de l'incertitude, et l'analyse de survie.
L'analyse de survie est une branche des statistiques qui s'intéresse au temps écoulé avant la survenue d'un événement d'intérêt, comme la mort, la rechute d'une maladie, la défaillance d'un équipement ou l'abandon d'un client. Contrairement aux méthodes classiques, elle prend en compte la censure, c'est-à-dire les observations incomplètes lorsque l'événement ne s'est pas produit avant la fin de l'étude.
Dans le cadre des activités Safran, ces méthodes sont particulièrement utilisées pour prédire le temps restant avant la nécessité d'effectuer une maintenance. En effet, améliorer l'estimation des probabilités de passer en maintenance pour les équipements permet de mieux gérer les plannings de maintenance, que ce soit à la maille de l'année, mais aussi plus particulièrement vis-à-vis du « workscoping », c'est-à-dire quelles parties de l'équipement sont à changer. En effet, une mauvaise estimation de ces probabilités crée un surcoût, dû entre autres aux problématiques logistiques ou au temps supplémentaire passé à réparer. A l'inverse, une bonne estimation de ces probabilités permet d'augmenter la disponibilité opérationnelle des équipements. De plus, dans l'axe de conseil aux clients, l'estimation des probabilités de passer en maintenance selon les données opérationnelles des équipements permet de déterminer quels sont les facteurs liés à une dégradation plus rapide ou plus lente de son équipement. Ainsi, il sera possible de conseiller le client afin d'user au minimum les équipements qui lui sont fournis.
En plus des données de maintenance indiquant le nombre de cycles (vols) effectués avant chaque évènement de maintenance (avec la cause associée), on dispose également de données temporelles (ou longitudinales) décrivant des paramètres extérieurs aux moteurs (variables dites exogènes, reflétant l'usage ou les conditions extérieures) ainsi que des mesures de l'état de santé du moteur (variables dites endogènes) à chaque vol. Pour l'instant, ces données longitudinales ne sont pas exploitées dans leur temporalité par les modèles utilisés pour prédire le nombre de cycles avant maintenance. Néanmoins, de nouvelles méthodes ont récemment été proposées dans la littérature afin de permettre la prise en compte de données longitudinales en analyse de survie [1-3].
L'objectif de ce stage est donc d'implémenter les différentes méthodes récemment proposées dans la littérature avec les données Safran afin de réaliser un benchmark de ces méthodes et de comparer leurs performances aux méthodes actuelles.

- Niveau d'étude : Bac +4 minimum, Formation en data science / data engineering.
- Solides compétences en programmation Python.
- Bonne maîtrise des concepts fondamentaux du machine learning/deep learning, être à l'aise avec le debugging et l'optimisation des modèles (tuning des hyperparamètres, gestion des problèmes de convergence, ajustement des architectures neuronales, etc.)
- Expérience en data engineering (prétraitement des données, gestion des pipelines, etc.).
- Familiarité avec un ou plusieurs frameworks d'apprentissage profond (Pytorch, Tensorflow, etc) serait un plus.