NaTran R&I est le centre de recherche et développement de NaTran. Sa mission est d'accompagner l'entreprise dans ses enjeux d'innovation, de performance industrielle et de transition énergétique. Nous mobilisons notre expertise autour de la valorisation des données industrielles, en particulier celles issues de la GMAO (Gestion de la Maintenance Assistée par Ordinateur), , afin de soutenir la prise de décision, l'optimisation des politiques de maintenance et l'intégration des nouvelles technologies (IA,IOT, jumeaux numériques, etc.). Comprendre les effets des caractéristiques des matériels et de leurs conditions d'utilisation sur la fiabilité des matériels - Distinguer les relations causales des simples corrélations dans les données. - Identifier les facteurs matériels ou d'usage qui impactent réellement la durée de vie ou la fréquence de défaillance. - Prendre en compte la qualité et l'hétérogénéité des données pour garantir la robustesse des analyses. - Développer des modèles capables d'expliquer ces effets pour les équipes opérationnelles et les décideurs. - S'appuyer sur des outils d'IA explicable pour visualiser et justifier les effets identifiés. - Transformer les résultats analytiques en recommandations concrètes pour la gestion des actifs. Objectifs du stage État de l'art des méthodes et outils Réaliser une revue de la littérature scientifique et technique sur : - Les méthodes d'inférence causale appliquées aux données industrielles (graphes causaux, modèles structurels, etc.). - Les approches d'intelligence artificielle explicable (XAI) permettant d'interpréter et de visualiser les effets des variables sur la fiabilité (arbres de décision interprétables, SHAP, LIME, modèles à attention, etc.). Identifier les outils open source et les bibliothèques logicielles les plus adaptés au contexte industriel. Mise en oeuvre de l'inférence causale Appliquer des méthodes d'inférence causale sur un jeu de données GMAO fourni par NaTran R&I pour identifier les facteurs ayant un effet direct sur la fiabilité des matériels, en tenant compte de la qualité et de la diversité des données. Développement de modèles d'IA explicable Développer et comparer des modèles d'IA explicable pour quantifier et expliquer l'impact des caractéristiques techniques et des usages sur la fiabilité des équipements. Proposer des visualisations et des indicateurs compréhensibles pour les métiers. Valorisation et recommandations Rédiger des recommandations pour améliorer l'exploitation des données GMAO. Ce stage permettra au stagiaire d'acquérir une expérience précieuse dans l'analyse de données complexes, la modélisation statistique et la gestion de la maintenance prédictive dans un environnement industriel. Profil du candidat recherché Étudiant(e) en Master 2 ou dernière année d'école d'ingénieur, spécialisé(e) en data science, statistiques appliquées, intelligence artificielle, fiabilité ou génie industriel. Vous maîtrisez Python et les bibliothèques associées (pandas, scikit-learn, SHAP, etc.). Vous avez des connaissances en modélisation statistique, inférence causale, analyse de données industrielles. Vous avez un intérêt pour la fiabilité, la gestion d'actifs, la transition énergétique et la vulgarisation scientifique. Vous avez la capacité de travailler en mode projet, en interaction avec des équipes pluridisciplinaires. Votre aisance en anglais vous permet de lire et comprendre des articles scientifiques et des documents techniques. Vous faites preuve de réactivité, de rigueur et de curiosité d'esprit et vous avez une bon relationnel et appréciez travailler en équipe. Si vous recherchez : · Une expérience au sein d'une entreprise en pleine transition énergétique, · Un accompagnant tutoral de qualité tout au long de votre stage, · L'opportunité de rejoindre une équipe passionnée avec de vraies responsabilités. Alors vous êtes au bon endroit, on attend votre CV !