Stage anomaly detection in multivariate with gans h/f

TotalEnergies est une compagnie multi-énergies mondiale de production et de fourniture d'énergies : pétrole et biocarburants, gaz naturel et gaz verts, renouvelables et électricité.

La Digital Factory de TotalEnergies est composée de 300 personnes, 30 Squads, 39% de femmes et 25 nationalités. Elle offre un environnement de travail international et interculturel en plein cœur de Paris, engagé dans la diversité et l'inclusion. Elle permet d'accélérer la production interne de solutions digitales pour les activités de la Compagnie dans les 130 pays où elle est présente.

Tu seras intégré(e) à la Data Team de la TotalEnergies Digital Factory (TDF), composée de plusieurs dizaines de Data Scientists qui participent à la construction de solutions d'aide à la décision basées sur les technologies de pointe dans l'IA, e.g. Machine Learning, Optimisation, Computer Vision pour tous les métiers de la compagnie. Tu seras rattaché(e) directement à un Data Scientist de l'équipe pour étudier et cadrer l'usage de nouvelles technologies dans ce contexte.

L'objectif de ce stage Anomaly detection in multivariate time series with GANs H/F est d'étudier et d'évaluer l'apport des GANs (Generative Adversarial Networks) dans la détection d'anomalies sur les turbines éoliennes à partir des données capteurs.

La détection d'anomalies dans les capteurs éoliens est cruciale pour la maintenance prédictive et l'optimisation des performances des turbines éoliennes. Les GANs offrent une approche prometteuse pour cette tâche. Cependant, il est essentiel de tester cette technologie dans ce contexte spécifique et de l'améliorer ou explorer d'autres pistes si nécessaire.

Dans ce contexte, l'objectif principal est d'étudier et comparer les différentes méthodes de détection d'anomalies (classiques et basées sur les GANs) et d'explorer des approches alternatives si nécessaire. Les éléments suivants seront prépondérants pour arriver à l'objectif principal :

1. Veille scientifique sur les différentes méthodes de détection d'anomalies basées sur les GANs / AEs / ML
2. Conceptualisation et production de code pour l'application des méthodes
3. Création de POCs avec des données de capteurs des turbines éoliennes réelles
4. Comparaison avec des approches de détection d'anomalies traditionnelles
5. Mise en place d'un protocole de mesure de la performance rigoureux.

Pourquoi utiliser des GANs pour la détection d'anomalies ?

Nous cherchons à adopter une approche non supervisée pour générer un score d'anomalie à partir d'un grand nombre de capteurs (plus de 50 à 100). Actuellement, les approches traditionnelles rencontrent des difficultés à gérer les problèmes de non-linéarité dans les relations complexes entre plusieurs séries temporelles.

Pourquoi alors choisir un GAN (Generative Adversarial Network) ? La force de cette approche réside dans son architecture "deux en un". Le GAN se compose de deux parties : un discriminateur et un générateur. Le discriminateur aide à identifier si une donnée est anormale ou non, tandis que le générateur produit un score d'anomalie.

Vous évoluerez au sein d'une équipe de professionnels confirmés et auprès d'un tuteur-coach. Un accompagnement individualisé vous permettra de favoriser votre autonomie et de vous mener à votre diplôme !

Actuellement en école d'ingénieur ou en Master dans le domaine de la Data et de l'Intelligence Artificielle, vous recherchez un stage de fin d'étude d'une durée de 6 mois à partir de février 2025 ?

Techniques :

* Data Science/Machine Learning/Deep Learning
* Mathématiques avancées
* Traitement du signal

Informatiques :

* Python
* Github
* PyTorch

Savoir-être :

* Bienveillance
* Rigueur
* Travail d'équipe
* Capacités d'analyse et de synthèse

Langues vivantes :

* Anglais courant
* Français courant

Alors n'attend plus, postule pour rejoindre notre équipe !

#J-18808-Ljbffr