Dans le cadre des projets de recherche menés chez DEST, nous développons de nombreux modèles d’intelligence artificielle pour prédire, diagnostiquer et optimiser des procédés industriels. Ces modèles reposent sur des données de natures variées (séries temporelles issues de capteurs, images, données tabulaires) et sont parfois combinés à des modèles physiques au sein d’approches hybrides. Leur performance seule ne suffit pas : pour être adoptés par les experts métier et les opérateurs, ils doivent pouvoir être compris et expliqués.
L’IA explicable (xAI) offre un ensemble de méthodes pour analyser le comportement des modèles : identifier les variables qui influencent une prédiction, localiser les zones d’une image qui guident une décision, ou révéler ce qu’un modèle a appris et ce qu’il ignore. Ce domaine évolue rapidement, et le choix d’une méthode adaptée dépend du type de modèle, du type de données et de la question posée. L’évaluation de la qualité d’une explication reste par ailleurs un sujet ouvert, qui demande des outils et des méthodes adaptés.
Dans le cadre de ce stage, vous établirez une cartographie des méthodes d’explicabilité et des outils permettant de les évaluer, puis vous les appliquerez à trois cas d’usage concrets : un modèle sur séries temporelles, un modèle de vision par ordinateur, et un modèle hybride dans lequel l’explicabilité servira à identifier ce que la modélisation physique ne capture pas.
Vous aurez l’opportunité de mettre en pratique vos compétences en machine learning et en statistiques sur des modèles et des données réels issus de problématiques industrielles concrètes, et de contribuer directement à la fiabilité et à l’adoption des outils d’IA développés par l’équipe.
Missions principales
Au sein de l’équipe Calcul Scientifique et Modélisation, vos principales missions seront, sans s’y limiter :
1. Étude bibliographique : réaliser une étude sur les méthodes d’explicabilité, des plus simples (modèles interprétables, importance des variables) aux plus avancées (méthodes par gradient, par perturbation, par propagation, contrefactuelles, méthodes dédiées aux transformers)
2. Cartographie et recensement :
- Construire une cartographie de ces méthodes en précisant pour chacune son principe, les types de données auxquels elle s’applique, ses limites, son coût computationnel et les bibliothèques qui l’implémentent
- Recenser les métriques et les outils permettant d’évaluer la qualité d’une explication
3. Application et comparaison : appliquer et comparer plusieurs méthodes d’explicabilité sur trois cas d’usage (séries temporelles, vision par ordinateur et modèle hybride)
Développement et reproductibilité : développer, pour chaque cas d’usage, un code reproductible et documenté, en utilisant une même approche d’évaluation des explications pour les trois cas
4. Validation métier : confronter les explications obtenues à l’expertise métier afin d’en évaluer la pertinence
5. Restitution : présenter les travaux réalisés sous forme de rapports, de présentations et de démonstrations
Nous vous proposons un stage de 6 mois à pourvoir début mars 2027.
Vous êtes à la recherche de votre stage de fin d'études de Master 2 ou d'école d’ingénieurs avec une spécialisation en Data science, Machine learning, Statistiques ou Mathématiques appliquées.
Vos compétences
- Solides connaissances en machine learning et en statistiques
- Solides compétences en programmation Python, avec maîtrise de scikit-learn et de PyTorch
- Expérience en analyse de séries temporelles appréciée
- Connaissance des architectures de réseaux de neurones (ANN, CNN, transformers, ViT) appréciée
- Familiarité avec les techniques d’explicabilité (SHAP, LIME, Grad-CAM, Integrated Gradients) appréciée
- Capacité à lire et synthétiser des articles scientifiques en anglais
- Capacité à vulgariser des concepts complexes et à travailler en équipe
- Bonne communication écrite et orale
- Français C1 - Courant
- Anglais B1 / B2 - Opérationnel
Vos qualités, votre savoir-être
- Rigueur scientifique et autonomie
- Esprit critique, notamment face aux résultats d’une méthode
- Curiosité, esprit d’initiative et force de proposition
- Sens de la pédagogie et clarté dans la présentation de ses résultats
- Intérêt pour les problématiques industrielles et environnementales
Nous offrons une indemnité de stage égale ou supérieure au minimum légaux. Candidat libre du choix de son école.
En tant qu'entreprise inclusive, Veolia s’engage pour la diversité et accorde la même considération à toutes les candidatures, sans discrimination.