Consultant Senior / Chercheur en Machine Learning - Agentic AI - IoT@ Marseille - Freelance (H/F)

Taux journalier (TJM): 500-590 € HT selon séniorité
Dans le cadre d'un projet de recherche appliquée en Machine Learning, notre client développe RAFA, un framework agentique dédié à la recherche et à l'expérimentation en Machine Learning, inspiré notamment des approches DS-STAR et MLE-STAR de Google Research.
L'architecture de RAFA repose sur un cœur générique associé à des plugins spécialisés permettant d'automatiser différentes étapes du processus de recherche et d'expérimentation en Machine Learning :
*
analyse et formalisation du problème ;
*
proposition et priorisation d'expériences ;
*
génération, exécution et correction du code ;
*
validation expérimentale et évaluations rétrospectives ;
*
études d'ablation ;
*
sélection robuste des modèles.
La mission vise à faire évoluer ce framework selon deux axes prioritaires :
1.
l'amélioration du plugin Event Forecasting ;
2.
la conception et l'intégration d'un nouveau plugin IoT dédié à la détection de pannes et à la maintenance prédictive.
Une attention particulière sera portée à la qualité scientifique, à la reproductibilité des expérimentations, à la robustesse des méthodologies employées et à l'intégration des développements dans l'écosystème existant.
Localisation : Marseille, Provence-Alpes-Côte d'Azur
Présence sur site : 2 jours par semaine
Démarrage souhaité : octobre 2026
Durée : 6 mois
Date maximale de soumission : 29/09/2026
L'objectif est de consolider un plugin capable d'intégrer des événements dans les prévisions de séries temporelles, en s'appuyant sur un protocole scientifique rigoureux.
Les travaux porteront notamment sur :
*
la découverte, la qualification et la représentation structurée des événements ;
*
la modélisation de leur probabilité d'occurrence ;
*
l'estimation de leur date de début et de leur durée ;
*
la modélisation de leur intensité, de leur direction, de leur incertitude et de leur impact ;
*
la production de différents scénarios :
*
scénario sans événement ;
*
scénario central ;
*
scénario optimiste ;
*
scénario pessimiste ;
*
scénario de stress ;
*
l'intégration de méthodes statistiques, Machine Learning et Deep Learning adaptées aux problématiques étudiées ;
*
la prise en compte stricte de la date de publication des informations, afin d'éviter toute fuite temporelle ;
*
la mise en place de tests placebo ;
*
la réalisation d'évaluations rétrospectives événementielles ;
*
la comparaison systématique des performances avec un modèle de référence sans événements ;
*
l'amélioration de la robustesse, de la reproductibilité et de l'interprétabilité des résultats.
AXE 2 - IOT & MAINTENANCE PRÉDICTIVE : DÉTECTION DE PANNES
Le second axe consiste à concevoir et intégrer dans RAFA un plugin dédié aux données IoT et à la maintenance prédictive.
Les travaux comprendront notamment :
*
la détection précoce des anomalies ;
*
l'identification des signaux précurseurs de panne ;
*
l'estimation de la probabilité de panne ;
*
lorsque les données disponibles le permettent, l'estimation de la durée de vie utile restante (Remaining Useful Life) ;
*
l'exploitation de séries temporelles multivariées issues de capteurs ;
*
la gestion des données manquantes ;
*
la prise en compte du bruit ;
*
la détection et la gestion des changements de régime ;
*
la comparaison de différentes familles d'approches :
*
apprentissage supervisé ;
*
apprentissage non supervisé ;
*
détection d'anomalies ;
*
analyse de survie ;
*
l'évaluation des modèles selon des protocoles temporels réalistes ;
*
l'évaluation de leur capacité de généralisation à de nouveaux équipements ;
*