Taux journalier (TJM): 500-590 € HT selon séniorité CONTEXTE & ENJEUX Dans le cadre d'un projet de recherche appliquée en Machine Learning, notre client développe RAFA, un framework agentique dédié à la recherche et à l'expérimentation en Machine Learning, inspiré notamment des approches DS-STAR et MLE-STAR de Google Research. L'architecture de RAFA repose sur un cœur générique associé à des plugins spécialisés permettant d'automatiser différentes étapes du processus de recherche et d'expérimentation en Machine Learning : * analyse et formalisation du problème ; * proposition et priorisation d'expériences ; * génération, exécution et correction du code ; * validation expérimentale et évaluations rétrospectives ; * études d'ablation ; * sélection robuste des modèles. La mission vise à faire évoluer ce framework selon deux axes prioritaires : 1. l'amélioration du plugin Event Forecasting ; 2. la conception et l'intégration d'un nouveau plugin IoT dédié à la détection de pannes et à la maintenance prédictive. Une attention particulière sera portée à la qualité scientifique, à la reproductibilité des expérimentations, à la robustesse des méthodologies employées et à l'intégration des développements dans l'écosystème existant. Localisation : Marseille, Provence-Alpes-Côte d'Azur Présence sur site : 2 jours par semaine Démarrage souhaité : octobre 2026 Durée : 6 mois Date maximale de soumission : 29/09/2026 MISSIONS DÉTAILLÉES AXE 1 - AMÉLIORATION DU PLUGIN EVENT FORECASTING L'objectif est de consolider un plugin capable d'intégrer des événements dans les prévisions de séries temporelles, en s'appuyant sur un protocole scientifique rigoureux. Les travaux porteront notamment sur : * la découverte, la qualification et la représentation structurée des événements ; * la modélisation de leur probabilité d'occurrence ; * l'estimation de leur date de début et de leur durée ; * la modélisation de leur intensité, de leur direction, de leur incertitude et de leur impact ; * la production de différents scénarios : * scénario sans événement ; * scénario central ; * scénario optimiste ; * scénario pessimiste ; * scénario de stress ; * l'intégration de méthodes statistiques, Machine Learning et Deep Learning adaptées aux problématiques étudiées ; * la prise en compte stricte de la date de publication des informations, afin d'éviter toute fuite temporelle ; * la mise en place de tests placebo ; * la réalisation d'évaluations rétrospectives événementielles ; * la comparaison systématique des performances avec un modèle de référence sans événements ; * l'amélioration de la robustesse, de la reproductibilité et de l'interprétabilité des résultats. AXE 2 - IOT & MAINTENANCE PRÉDICTIVE : DÉTECTION DE PANNES Le second axe consiste à concevoir et intégrer dans RAFA un plugin dédié aux données IoT et à la maintenance prédictive. Les travaux comprendront notamment : * la détection précoce des anomalies ; * l'identification des signaux précurseurs de panne ; * l'estimation de la probabilité de panne ; * lorsque les données disponibles le permettent, l'estimation de la durée de vie utile restante (Remaining Useful Life) ; * l'exploitation de séries temporelles multivariées issues de capteurs ; * la gestion des données manquantes ; * la prise en compte du bruit ; * la détection et la gestion des changements de régime ; * la comparaison de différentes familles d'approches : * apprentissage supervisé ; * apprentissage non supervisé ; * détection d'anomalies ; * analyse de survie ; * l'évaluation des modèles selon des protocoles temporels réalistes ; * l'évaluation de leur capacité de généralisation à de nouveaux équipements ; *