Doctorant(e) - Projet CSL-TD

Vos missions en quelques mots

MISSIONS DU POSTE

Le ou la doctorant(e) développera un cadre d’apprentissage multimodal guidé par l’expertise métier pour l’évaluation de l’état de santé d’actifs industriels. Les travaux exploiteront des données hétérogènes, rares, incomplètes, bruitées et déséquilibrées (capteurs, variables d’exploitation, historiques de maintenance, journaux et annotations expertes) afin d’apprendre des représentations latentes interprétables des états de dégradation. Le projet combinera réseaux experts spécialisés, mécanismes de routage, graphes de propagation de défauts et apprentissage de représentations désentrelacées, avec une interface vers le raisonnement causal et les modèles de survie.

Afficher la suite

ACTIVITÉS PRINCIPALES

•Réaliser une revue de l’état de l’art sur le diagnostic multimodal, les architectures de type mélange d’experts, ainsi que les graphes de propagation de défauts fondés sur les connaissances.

•Collecter, nettoyer et structurer des jeux de données industriels de type run-to-failure, incluant des flux de capteurs et des informations contextuelles associées, puis définir, avec les experts industriels, une taxonomie des états physiques de dégradation.

•Concevoir et entraîner un modèle de diagnostic multimodal fondé sur des réseaux neuronaux spécialistes de type AIeXpert et sur un classificateur de routage, avec une attention particulière portée aux données industrielles rares, déséquilibrées et manquantes.

•Définir des graphes de propagation de défauts et associer les connaissances expertes aux étiquettes d’états de dégradation, afin que les états diagnostiqués appris restent physiquement interprétables.

•Développer une représentation latente désentrelacée pour la cognition causale, à partir du modèle de diagnostic, en intégrant les représentations liées à la dégradation, les conditions de fonctionnement et les actions de maintenance.

•Co-concevoir l’interface de transfert entre le WP1 et le WP2 : une représentation latente standardisée et dépendante du temps sera générée et utilisée soit comme un ensemble de covariables temporelles, soit comme facteurs de confusion latents dans un modèle d’apprentissage de survie causale.

Profil recherché

COMPÉTENCES REQUISES

· Connaissances (savoir) :

apprentissage automatique et profond, diagnostic, pronostic de défaillances des systèmes industriels, séries temporelles, données multimodales, statistiques. Des bases en automatique, informatique, génie industriel ou traitement du signal seraient appréciées.

· Compétences opérationnelles (savoir-faire) :

programmation scientifique en Python, PyTorch/TensorFlow ou équivalent, préparation de données industrielles, conception d’expérimentations, analyse de résultats, rédaction et communication scientifique en anglais.

Afficher la suite

· Compétences comportementales (savoir être) :

autonomie, rigueur scientifique, curiosité, esprit critique, organisation, travail en équipe pluridisciplinaire et capacité à dialoguer avec des experts métier.

NIVEAU REQUIS

-Master ou diplôme d’ingénieur en intelligence artificielle, data science, informatique, automatique, génie industriel, traitement du signal, mathématique appliquée, ou domaine proche. -Anglais : niveau B2 minimum. -Français apprécié pour les échanges avec les partenaires et experts métier.

POSTULER Adresser lettre de motivation + CV + relevés des notes (BAC+4, BAC+5, Master) par courriel à par courriel à [email protected] et [email protected] en indiquant le titre du poste dans l’objet : Candidature doctorant(e) – Projet CSL-TD.

· Poste de catégorie - Doctorant

· Le contrat est à durée de droit public, à temps complet, d’une durée de 3 ans.

· Rémunération : selon grille de rémunération des doctorants en vigueur au 01/01/2026

POINTS FORTS

• Motivation forte pour une thèse en intelligence artificielle appliquée au diagnostic, au pronostic et à la maintenance prédictive des systèmes industriels. • Bonnes bases en apprentissage automatique/profond, traitement de données temporelles, analyse de données industrielles et programmation scientifique, notamment en Python. • Intérêt pour les approches multimodales, les architectures de type mixture-of-experts, l’intégration de connaissances expertes et les méthodes interprétables. • Autonomie, rigueur scientifique, esprit d’analyse et capacité à travailler avec des données industrielles hétérogènes, bruitées, incomplètes et déséquilibrées.

Vacant à partir du 01/09/2026

Chercheuse / Chercheur