Consultant Senior / Chercheur en Machine Learning – Agentic AI - IoT@ Marseille - Freelance

Taux journalier (TJM): 500-590 € HT selon séniorité

Contexte & enjeux

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

Missions détaillées

Axe 1 – Amélioration du plugin Event Forecasting

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 ;

• la production d’alertes explicables, hiérarchisées et directement exploitables par les équipes métier.

Livrables attendus

Le consultant sera notamment responsable de la livraison des éléments suivants :

• plugins Event Forecasting et IoT intégrés dans RAFA, testés et documentés ;

• protocoles expérimentaux ;

• jeux de tests ;

• modèles de référence ;

• résultats comparatifs reproductibles ;

• code source versionné ;

• documentation technique ;

• guide de prise en main ;

• synthèses des travaux réalisés ;

• recommandations ;

• présentation régulière des résultats ;

• transfert de connaissances vers les équipes internes.

Stack technique & environnement

L’environnement de la mission comprend notamment :

Machine Learning & recherche

• Machine Learning ;

• Deep Learning ;

• recherche appliquée ;

• conception de protocoles expérimentaux ;

• études d’ablation ;

• validation expérimentale ;

• modèles de référence et benchmarking.

Time Series & IoT

• séries temporelles ;

• séries temporelles multivariées ;

• Event Forecasting ;

• détection d’anomalies ;

• maintenance prédictive ;

• estimation de probabilité de panne ;

• Remaining Useful Life ;

• analyse de survie ;

• gestion du bruit, des données manquantes et des changements de régime.

Développement

• Python ;

• au moins un framework majeur de Machine Learning ou Deep Learning ;

• code robuste, documenté et testé ;

• gestion de code source versionné ;

• intégration dans une architecture existante.

Architecture & outils appréciés

• architectures agentiques ;

• systèmes multi-agents ;

• orchestration d’agents dédiés au Machine Learning ;

• Dataiku ;

• développement et intégration de composants personnalisés ;

• MLOps ;

• environnements Cloud ;

• automatisation des chaînes d’expérimentation.

Critères de réussite

La réussite de la mission sera notamment évaluée selon les critères suivants :

• amélioration mesurable des performances par rapport aux modèles de référence ;

• absence de fuite temporelle ;

• respect des protocoles de validation définis ;

• reproductibilité des expérimentations ;

• traçabilité des résultats ;

• qualité du code livré ;

• maintenabilité des développements ;

• intégrabilité des composants dans l’écosystème existant ;

• appropriation des développements et de la documentation par les équipes internes.