US Jobs US Jobs     UK Jobs UK Jobs     EU Jobs EU Jobs


Stage - Détection d'anomalies avec des modèles de fondation en séries temporelles - F/H 

Le service AI Hub a pour mission de développer et d'intégrer des solutions d'intelligence artificielle au sein des produits et des activités de Schneider Electric.

Répartie entre Grenoble, Paris et Boston, l'équipe Stratégie & Innovation travaille sur des sujets innovants liés à l'IA.

Elle évalue des technologies de pointe sur des cas d'usage industriels, les adapte à nos besoins et développe de nouvelles approches lorsque cela est nécessaire.

L'équipe est internationale et rassemble des ingénieurs, des doctorants et des chercheurs.

Ce stage vise à étudier des approches légères permettant d'adapter des modèles de fondation pour séries temporelles, pré-entraînés pour la prévision, à la détection d'anomalies, sans recourir à un fine-tuning complet coûteux.

L'objectif est d'identifier quelles représentations et quels composants internes peuvent être réutilisés efficacement pour surveiller des systèmes complexes et détecter des conditions de fonctionnement anormales.

Les objectifs du projet sont les suivants :

Évaluer dans quelle mesure des TSFM pré-entraînés pour la prévision peuvent être adaptés efficacement à la détection d'anomalies sans fine-tuning complet du modèle.

Identifier les représentations et composants internes des TSFM les plus utiles pour la détection d'anomalies.

Développer et comparer des techniques d'adaptation légères, notamment le probing, le fine-tuning de têtes de reconstruction et les approches fondées sur la reconstruction interne.
Missions :


* Étudier et comparer les TSFM de l'état de l'art ainsi que les approches existantes de détection d'anomalies dans les séries temporelles.



* Développer des méthodes permettant d'extraire et d'exploiter les représentations de modèles de prévision pré-entraînés.



* Mettre en œuvre des stratégies d'adaptation légères et construire un pipeline d'évaluation reproductible.



* Évaluer les approches proposées sur plusieurs TSFM et les comparer à des méthodes spécialisées de détection d'anomalies, notamment en matière de performance, de généralisation et d'efficacité de calcul.

Sous réserve des résultats scientifiques obtenus, le ou la stagiaire contribuera à la préparation d'articles scientifiques destinés à être soumis à des conférences ou à des revues.

Profil

Bac + 4/5, Master ou école d'ingénieur, spécialités : apprentissage automatique, apprentissage profond.
Anglais : Minimum B2.


* Compétences en programmation Python, si possible avec PyTorch



* Solides connaissances théoriques des architectures Transformers, des modèles de fondation, de l'optimisation et du pré-entraînement


* Une expérience des séries temporelles, de la détection d'anomalies, de Git ou de Microsoft Azure serait un atout



* Aisance relationnelle et capacité à communiquer des résultats scientifiques



* Curiosité scientifique

Durée : 6 mois

Période : Q1 202...




Share Job