En plus des données de maintenance indiquant le nombre de cycles (vols) effectués avant chaque évènement de maintenance (avec la cause associée), on dispose également de données temporelles (ou longitudinales) décrivant des paramètres extérieurs aux moteurs (variables dites exogènes, reflétant l'usage ou les conditions extérieures) ainsi que des mesures de l'état de santé du moteur (variables dites endogènes) à chaque vol. Pour l'instant, ces données longitudinales ne sont pas exploitées dans leur temporalité par les modèles utilisés pour prédire le nombre de cycles avant maintenance. Néanmoins, de nouvelles méthodes ont récemment été proposées dans la littérature afin de permettre la prise en compte de données longitudinales en analyse de survie [1-3]. L'objectif de ce stage est donc d'implémenter les différentes méthodes récemment proposées dans la littérature avec les données Safran afin de réaliser un benchmark de ces méthodes et de comparer leurs performances aux méthodes actuelles.

• Niveau d'étude : Bac+4 minimum, Formation en data science / data engineering.
• Solides compétences en programmation Python.
• Bonne maîtrise des concepts fondamentaux du machine learning/deep learning, être à l'aise avec le debugging et l'optimisation des modèles (tuning des hyperparamètres, gestion des problèmes de convergence, ajustement des architectures neuronales, etc.)
• Expérience en data engineering (prétraitement des données, gestion des pipelines, etc.).
• Familiarité avec un ou plusieurs frameworks d'apprentissage profond (Pytorch, Tensorflow, etc) serait un plus.