Stage - Prédiction de Maintenance Alternatives Machine Learning à l'Analyse de Survie H/F Safran

Safran est un groupe international de haute technologie, leader mondial dans les domaines de l'Aéronautique, de l'Espace, de la Défense et de la Sécurité. Au sein de Safran Tech, le centre de R&T du groupe, l'Unité de Recherche Maths & Algorithms for Temporal Data (MATD) développe des méthodes innovantes en collaboration avec des partenaires académiques, dans des domaines tels que les modèles génératifs, l'évaluation de l'incertitude et l'analyse de survie.
Dans les activités de maintenance prédictive, il est essentiel d'estimer la probabilité qu'un équipement doive être maintenu dans un horizon temporel donné. Une meilleure estimation permet d'optimiser la planification des interventions, de réduire les coûts logistiques et de maximiser la disponibilité opérationnelle des équipements. Elle offre aussi un avantage stratégique : pouvoir conseiller les clients sur les facteurs d'usure de leurs équipements.
Problématique
Aujourd'hui, ces probabilités sont calculées grâce à des méthodes d'analyse de survie (WeibullAFT, Random Survival Forests [1], DeepHit [2], etc.), qui visent à estimer la courbe complète de survie (la probabilité qu'un individu survive au moins jusqu'au temps t pour tout t). Or, dans de nombreux cas, seule la probabilité de maintenance à un horizon précis est nécessaire, ce qui ne nécessite pas l'estimation de la courbe de survie complète). L'idée de ce stage est donc d'explorer l'utilisation d'algorithmes de classification ML/DL classiques pour ce problème, afin de :
- profiter d'un vaste écosystème algorithmique, capable d'intégrer des covariables complexes et des données longitudinales (ex. séries temporelles de vols),
- contourner certaines difficultés propres à l'analyse de survie, comme la gestion du fort taux de censure,
- tester les stratégies récentes pour traiter le déséquilibre des classes [3].
Objectifs du stage
Le/la stagiaire aura pour mission de :
1. Réaliser une revue de la littérature sur les approches de classification adaptées aux données fortement déséquilibrées.
2. Définir un protocole expérimental permettant de comparer ces approches aux méthodes de survie classiques.
3. Préparer et transformer les données pour répondre à ce protocole.
4. Implémenter et tester différents algorithmes (Random Forests, XGBoost, réseaux de neurones, etc.) ainsi que des techniques de gestion du déséquilibre (SMOTE, focal loss, ensembles...).
5. Évaluer les performances et comparer aux résultats obtenus par les méthodes d'analyse de survie déjà en place.