Stage IA – Data Scientist - Time Series & Alarm – Bac + 5 – F/H

Chez Schneider Electric, nous nous engageons à résoudre des problèmes concrets pour créer un avenir durable, numérisé et électrifié.

L'intelligence artificielle a le potentiel de transformer les industries et de favoriser l'efficacité et la durabilité.

Au sein de notre AI Hub, nous combinons notre expertise historique en fabrication et en ingénierie avec les dernières avancées en intelligence artificielle, apprentissage automatique et apprentissage profond, afin de favoriser une prise de décision plus intelligente, plus agile et plus respectueuse de l'environnement.

Rejoignez l'équipe AI Strategy & Innovation qui pilote la stratégie en matière d'IA ainsi que les efforts d'innovation et de développement de l'écosystème pour le AI Hub et Schneider Electric dans son ensemble.

Sujet : modèles d'Intelligence Artificielle pour les séries d'Alarmes Industrielles

Contexte et enjeux :

Schneider Electric est leader mondial dans les logiciels de supervision et de contrôle de systèmes électriques complexes.

Ainsi les responsables techniques d'un hôpital, d'une usine, d'un centre de données, ou d'un " smart grid ", comptent sur la fiabilité de nos logiciels pour gérer leur site le plus efficacement possible.

L'une des fonctions les plus critiques est l'alerte (alarme) en cas de dysfonctionnement - bien réglées, les alarmes peuvent permettre aux opérateurs de prévenir des pannes, des incendies ou des accidents graves, de garantir la continuité de service, de prévoir la maintenance de manière appropriée.

Mal réglées, ces alarmes se transforment en véritables avalanches de notifications inutiles - l'opérateur en recevant parfois plusieurs centaines, voire plusieurs milliers, par jour.

Il est donc essentiel de pouvoir améliorer l'analyse, le réglage et le traitement de ces alarmes.

Une première stratégie, déployée en production par notre équipe en 2024, permet déjà d'analyser les données de 1400 sites soit un volume de 150 millions d'évènements par mois.

Notre solution détecte des motifs (" patterns ") caractéristiques d'un mauvais réglage ou d'un souci particulier dans les séries d'alarmes: alarmes trop bavardes, bagotements, blocages intempestifs, motifs périodiques, etc.

Les volumes de données en jeu font des temps d'exécution un enjeu majeur pour la mise en production.

Notre équipe a donc mis au point de nouvelles méthodes présentant une complexité algorithmique plus favorable que l'état de l'art, évitant en particulier le rééchantillonnage des séries temporelles.

Ces développements ont été brevetés et sont en cours de publication dans une conférence scientifique.

L'équipe travaille désormais à la détection de motifs inter-série : il s'agit de détecter des groupes d'alarmes similaires ou avec des liens de dépendance.

Les premiers résultats, qui seront déployés en production fin 2025, se basent sur une version simplifiée des relations de dépendances entre alarmes d'...