CM IT 188078 - Consultant senior en recherche appliquée en Machine Learning

developpement un framework agentique dédié à la recherche et à l'expérimentation en Machine Learning, inspiré des approches DS-STAR et MLE-STAR de Google Research. Son architecture repose sur un cœur générique associé à des plugins spécialisés. Le système automatise notamment les activités suivantes : analyse et formalisation du problème ; proposition et priorisation d'expériences ; génération, exécution et correction du code ; validation expérimentale et évaluations rétrospectives ; études d'ablation et sélection robuste des modèles.

La mission consiste à faire évoluer ce framework selon deux axes prioritaires, tout en garantissant la qualité scientifique, la reproductibilité des expérimentations et l'intégration des développements dans l'écosystème existant.

Objectif 1 — Amélioration du plugin Event Forecasting : Consolider un plugin capable d'intégrer des événements dans les prévisions de séries temporelles, selon un protocole scientifique rigoureux. Les travaux porteront notamment sur : découverte, qualification et représentation structurée des événements ; modélisation de leur probabilité d'occurrence, de leur date de début, de leur durée, de leur intensité, de leur direction, de leur incertitude et de leur impact ; production de scénarios sans événement, central, optimiste, pessimiste et de stress ; intégration de méthodes statistiques, de Machine Learning et de Deep Learning adaptées ; prise en compte stricte de la date de publication des informations afin d'éviter toute fuite temporelle ; mise en place de tests placebo, d'évaluations rétrospectives événementielles et de comparaisons avec un modèle de référence sans événements ; amélioration de la robustesse, de la reproductibilité et de l'interprétabilité des résultats.

Objectif 2 — Cas d'usage IoT : détection de pannes : Concevoir et intégrer dans RAFA un plugin dédié aux données IoT et à la maintenance prédictive. Les travaux porteront notamment sur : détection précoce des anomalies et des signaux précurseurs de panne ; estimation de la probabilité de panne et, lorsque les données le permettent, de la durée de vie utile restante ; exploitation de séries temporelles multivariées issues de capteurs, avec gestion des données manquantes, du bruit et des changements de régime ; comparaison d'approches supervisées, non supervisées, de détection d'anomalies et d'analyse de survie ; évaluation des modèles selon des protocoles temporels réalistes et mesure de leur capacité de généralisation à de nouveaux équipements ; production d'alertes explicables, hiérarchisées et exploitables par les équipes métier.

Livrables attendus : plugins Event Forecasting et IoT intégrés, testés et documentés dans RAFA ; protocoles expérimentaux, jeux de tests, modèles de référence et résultats comparatifs reproductibles ; code source versionné, documentation technique et guide de prise en main ; synthèses des travaux, recommandations et présentation régulière des résultats ; transfert de connaissances vers les équipes internes.

Critères de réussite : amélioration mesurable des performances par rapport aux modèles de référence ; absence de fuite temporelle et respect des protocoles de validation définis ; reproductibilité des expérimentations et traçabilité des résultats ; qualité, maintenabilité et intégrabilité du code livré ; appropriation des développements et de la documentation par les équipes internes.