Stage - IA agentique pour l'exploitation des données de banc d'essais moteur aéronautique F/H

Safran est un groupe international de haute technologie, leader mondial dans les domaines de l'Aéronautique, de l'Espace, de la Défense et de la Sécurité. Au sein de Safran Tech, le centre de R&T du groupe, l'Unité de Recherche Safran Tech Artificial Intelligence Research (S.AI.R) développe des méthodes innovantes d'intelligence artificielle et de mathématiques appliquées pour l'exploitation et le traitement des données du groupe.

Dans les activités de motoriste aéronautique, les campagnes d'essais moteur produisent des données massives, multimodales et hétérogènes – séries temporelles basse et haute fréquence, logbooks textuels, images - que les bureaux d'études exploitent aujourd'hui de manière manuelle, essai par essai, souvent de façon univariée. Ce goulot d'étranglement ralentit les boucles de conception et laisse échapper des anomalies capteurs ou moteur avant la fin de campagne. Pour y répondre, l'équipe déploie un système agentique sur l'infrastructure interne pour accélérer l'analyse des données. L'agent fonctionne selon un modèle multi-agents : un orchestrateur décompose la tâche et délègue à des profils spécialisés (data science, aéronautique, traitement du signal, machine learning…), chacun avec ses propres instructions systèmes, mémoire, contexte, compétences … Ce stage consiste à configurer, enrichir, entrainer, et évaluer le travail généré par ce système agentique sur les campagnes d'essais moteur :

1. Configurer l'agent dans l'environnement en adaptant les profils, compétences, instructions, bases de connaissances des agents et orchestrer le fonctionnement de l'équipe multi-agents. 2. Construire la chaine de bout-en-bout de la compréhension du projet et de l'exploitation des données jusqu'à la génération de livrables reproductibles (notebooks, rapports) avec traçabilité (code source, figures). 3. Cartographie, présentation et visualisation en explorant les données de banc multivariées et multimodales et produire des visualisations explicatives adaptées. 4. Détection des pannes de capteurs (et moteur) parmi une quantité importante de capteurs et mesures. 5. Détection d'anomalies de banc en appliquant des méthodes de détection non supervisée (isolation forest, ruptures, autoencodeur, …) et mesurer leurs performances (précision, rappel, faux positifs).

Ce stage sera en collaboration avec la société du groupe, Safran Aircraft Engines, qui réalise et dépouille les campagnes d'essais moteurs et qui apportera son support métier.

Bibliographie :

• Karl Löwenmark et al., Agent-based Condition Monitoring Assistance with Multimodal Industrial Database Retrieval Augmented Generation, 2025, https://arxiv.org/pdf/2506.09247 • Chen, Yilong, et al., LLM Agents for Time-Series: A Survey, 2026, https://arxiv.org/pdf/2608.26226 • Nathan Lévêque et al., Density-based isolation forest, 2025 IEEE.