- - - - - - - - - - - -
Le stage porte sur l'optimisation bayésienne, une approche efficace pour optimiser des procédés industriels impliquant des simulations coûteuses en temps de calcul. L'objectif est d'explorer l'utilisation de métamodèles, notamment les réseaux de neurones et les modèles d'arbres de décision, encore peu exploités dans ce contexte.
Dans un second temps, le travail portera sur l'intégration de méthodes xAI (Explainable AI) afin de rendre les résultats d'optimisation plus interprétables et acceptables pour les experts métier.
Les principales activités incluent :
État de l’art des approches d’optimisation bayésienne et des métamodèles associés.
Développement et expérimentation sur des données industrielles.
Évaluation des performances des différentes approches en termes d’efficacité et d’explicabilité.
Ce travail combinera des modèles de machine learning avancés et des outils d’optimisation numérique pour améliorer la conception et le pilotage des procédés de fabrication des pneumatiques chez Michelin.
Pour rester leader dans un marché du pneumatique de plus en plus compétitif, le groupe Michelin s’engage quotidiennement à mettre au point de manière rapide des produits assurant le meilleur compromis de performances (comportement, durée de vie, usure, résistance au roulement,…). L’un des leviers pour réussir ce challenge est de concevoir et de piloter de manière optimale les procédés industriels impliqués dans la fabrication des pneumatiques.
Pour ce faire, il est courant d’utiliser des stratégies d’optimisation faisant appel à des modèles de simulation. Malheureusement, il n’est pas rare que ces derniers puissent présenter des temps de calcul importants. Pour contourner cette difficulté, l’optimisation bayésienne constitue une piste prometteuse.
Le premier objectif du stage sera de mener un état de l’art des approches utilisées dans le cadre de l’optimisation bayésienne. Le travail se focalisera sur l’usage de métamodèles tels que les réseaux de neurones et les modèles d’arbre de décision encore peu exploités dans ce domaine. Dans un deuxième temps, la mission portera sur l’étude de méthodes xAI appropriées pour rendre l’optimisation explicable et susciter l’adhésion des utilisateurs.
Les différents travaux feront l’objet de :
Développement de code et de rédaction de documentations d’utilisation et de conception
Rapports mettant en avant les avantages/inconvénients des diverses approches
Présentations aux différents contributeurs de l’équipe projet ainsi qu’à l’équipe de datascientists dont le/la candidat.e fera partie
Le/La stagiaire travaillera avec des data-scientist(e)s au sein de l’équipe Explore du service Industrie 4.0. Il/Elle sera amené(e) à interagir avec les personnes spécialistes du procédé industriel pour s’appuyer sur leur expertise métier afin de valider les approches explorées.
Le/La stagiaire aura la possibilité de mener des expériences sur des données réelles et d’évaluer les opportunités d’application de ses développements sur des cas industriels. Il/elle appréhendera les enjeux du digital chez Michelin et approfondira dans un contexte industriel les connaissances acquises durant son cursus.
Idéalement étudiant.e en Ecole d’Ingénieur ou en Master 2 spécialisé IA et/ou mathématiques appliquées (Optimisation Numérique), avec un goût prononcé pour la recherche et l'innovation.
Le/la candidat.e sera également à l’aise en programmation (Python) et dans l’exploitation de librairies de machine learning/deep learning et d’optimisation.
Niveau d’études : Bac + 5
Date : A partir de Février 2025
Durée : 6 mois
Lieux : Clermont-Ferrand
- - - - - - - - - - - -
Michelin entreprise engagée dans la mobilité durable et reconnue pour ses actions en faveur de l’expérience employé !
Pour en savoir plus sur le Groupe :https://recrutement.michelin.fr
- - - - - - - - - - - -