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

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.