- - - - - - - - - - - -

📍 Localisation : Michelin Innovation Park - Cataroux, à Clermont-Ferrand - France

🎓 Niveau d'études : Bac +3 à Bac +5

📅 Date de début : A partir de Janvier 2027

⏱️  Durée: 5 à 6 mois

Contexte :

Durant les prochaines décennies, l’évolution des technologies informatiques et des télécommunications transformera la mobilité : véhicules semi-autonomes ou autonomes, mobilité connectée et usages prédictifs de maintenance deviennent des enjeux centraux. Dans ce cadre, la compréhension et le suivi de l’évolution des propriétés des pneumatiques tout au long de leur vie est un élément clé pour assurer sécurité, performance et planification d’opérations de maintenance.

Les approches combinant modèles physiques et méthodes « data-driven » issues des statistiques et du Machine Learning constituent un domaine majeur de recherche et d’ingénierie. Le concept de Tire Digital Twin (Jumeau Numérique du Pneu), en complément de la mobilité connectée, offre un cadre pertinent pour développer des capacités prédictives et des outils d’aide à la décision basés sur des données temporelles et des modèles hybrides.

Mission :

Le stage permettra au/à la stagiaire de travailler sur l’intégration et l’évaluation de méthodes d’analyse et de modélisation de données liées aux pneumatiques et à leur usage. L’objectif est d’améliorer la robustesse et la qualité des estimations et prédictions à partir de signaux et séries temporelles, en s’appuyant sur des méthodes statistiques avancées et des techniques d’apprentissage automatique.

Principales activités :

·       Data science

·       Analyses statistiques poussées

·       Séries temporelles

·       Création et évaluation de modèles

·       Augmentation de la robustesse des estimations et des prédictions

·       Machine Learning / Deep Learning

·       Approches d’hybridation entre modèles physiques et modèles « data-driven »

·       Visualisation et communication des résultats

·       Prétraitement et nettoyage de données

Le/la stagiaire pourra : réaliser une revue bibliographique sur les méthodes pertinentes à utiliser, concevoir et implémenter des prototypes de modèles (ou pipelines) combinant approches physiques et approches « data-driven », et tester leur performance et leur robustesse sur des jeux de données disponibles.

Délivrables :

Les attendus en fin de stage sont :

-        Un rapport présentant les différents travaux réalisés

-        Un apport aux boites à outils utilisées dans l’équipe.

Apports pour le candidat :

- Etre intégré à une équipe multi-disciplinaire d’ingénieurs, docteurs et docteurs-ingénieurs, développant des services innovants dans le domaine de la mobilité connectée et du Tire Digital Twin, et organisée en mode start-up au sein d’un grand groupe industriel.

- Une première expérience dans les domaines attractifs de l’intelligence artificielle et de la modélisation de systèmes physiques, qui permettront au candidat d’appliquer et développer un large spectre de compétences dans un domaine exigeant en termes de données et de qualités des résultats attendus.

- Bénéficier de l’expertise de nombreux experts du centre de technologie de Michelin dans différents domaines (simulation, traitement du signal, dynamique véhicule, analyse de performances, etc...).

Profil recherché :

• Etudiant.e niveau Master 2 (ou dernière année d’école d’ingénieur) avec une spécialisation en mathématiques appliquées dans un des domaines suivants : statistiques, data sciences, modélisation.
• Connaissances d’un ou plusieurs frameworks de machine/deep learning (scikit-learn/pytorch/ tensorflow).
• De bonnes connaissances sur les approches statistiques spécifiques aux séries temporelles sont requises ainsi que la maîtrise de Python.
• Une expérience de développement sous Python ainsi que la maîtrise d’outils de développement collaboratif (e.g. GitLab) sont des points positifs.
• Les notions de Physique ne vous font pas peur.
• Organisé.e et rigoureux.se, vous avez une excellente capacité d'intégration, des qualités d'écoute, de l'énergie et vous êtes force de propositions.

- - - - - - - - - - - -