Thèse Cifre Détection Adaptative d'Anomalies dans les Signaux Hétérogènes Issus d'Essais en Vol 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.

Safran Electronics & Defense propose à ses clients des solutions d'intelligence embarquée leur permettant d'appréhender l'environnement, de réduire la charge mentale et de garantir une trajectoire, même en situation critique, ce dans tous les environnements : sur terre, en mer, dans le ciel ou l'espace. La société met les expertises de ses 13 000 collaborateurs au service de ces trois fonctions : observer, décider et guider, pour les marchés civils et militaires.

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'em
Safran Data Systems s'intéresse à la détection d'anomalies au sein de signaux issus d'essais en vol d'aéronefs. Ces essais génèrent un grand nombre de mesures provenant de capteurs hétérogènes, tels que des capteurs environnementaux, des réseaux électriques ou encore des bus de communication, chacun possédant ses propres spécificités. Dans ce contexte, la détection précoce d'anomalies est essentielle afin d'anticiper d'éventuels incidents qui pourraient impacter la sécurité du vol, mais aussi pour optimiser la campagne d'essais en évitant qu'un vol ne doive être répété faute de données exploitables induisant un impact calendaire et financier significatif.
La détection d'anomalies dans les séries temporelles constitue un champ de recherche actif. Une difficulté majeure réside dans la définition même d'une anomalie, concept sujet à débat au sein de la communauté scientifique. De manière générale, on peut la définir comme un point ou un ensemble de points dont le comportement diffère significativement de celui de la majorité des échantillons.
Les travaux de cette thèse doivent être menés dans une approche de frugalité, en veillant à limiter à la fois la taille des modèles et la complexité des calculs. Dans ce cadre, il est également essentiel d'explorer les techniques de réduction de modèles, telles que le pruning (élimination des neurones ou des connexions peu importants afin de réduire la taille du réseau et le coût de calcul ), la quantification (réduction de la précision des poids et des activations (par exemple INT8 ou FP8) pour diminuer la mémoire et accélérer l'inférence), distillation de connaissance (Knowledge Distillation) : transfert des connaissances d'un modèle large (teacher) vers un modèle plus compact (student), conservant ainsi des performances proches tout en réduisant la complexité. L'objectif est d'adapter ces méthodes aux contextes embarqués, où les ressources en calcul et en mémoire sont limitées, tout en maintenant une performance satisfaisante des modèles

Ingénieur ou Master 2 issu d'une filière scientifique avec de solides compétences en mathématiques appliquées, data management et machine learning.