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 a été déployée avec 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 se basent sur une version simplifiée des relations de dépendances entre alarmes d'un même système, dans laquelle les décalages temporels sont ignorés.

Pour prendre en compte ces décalages, plusieurs méthodes de l'état de l'art de " sequence mining " et de " timeseries analysis " semblent prometteuses, mais font état d'une complexité algorithmique importante.

Le stage vise à mettre en application certaines de ces méthodes sur des données réelles, afin de proposer une approche acceptable - tant sur la qualité et l'interprétabilité des motifs détectés, qu'en temps de calcul.

L'ajout de connaissance contextuelles complémentaires (réglages act...