La direction Data, OR & AI développe pour l’ensemble de ses métiers des outils de data science et d’optimisation répondant à leurs besoins.

Le projet TARGETS cherche à fournir un ensemble d’outils transverses à la compagnie, visant à produire des optimiseurs robustes face aux aléas opérationnels. OTP (On-Time-Performance) est une sous-brique dont l’objectif est d’estimer une distribution de retard des vols Air France. Cette prévision doit être disponible 6 mois avant le vol et sera affinée jusqu’à son départ afin d’être utilisée par différents métiers (Programme, Opérations au sol, Centre de Contrôle des Opérations). OTP met en œuvre des méthodes de Monte-Carlo afin de simuler la propagation de retard des vols, en se basant sur les prédictions de retard d’un modèle de régression probabiliste (tensorflow probability).

L’objectif de ce stage est d’améliorer la performance du modèle actuel de prédiction de retard. La première étape consistera à explorer et construire des nouvelles variables disponibles à des horizons "opérationnels", c’est-à-dire proche du départ du vol (congestion aéroport, taux de remplissage, météo, disruption majeure…).

Afin de conserver le même modèle à plus long terme, vous entraînerez ensuite des modèles probabilistes (type séries temporelles) permettant de prédire la distribution de ces variables à des horizons plus long terme.

Vous testerez et évaluerez votre modèle sur des données réelles de l’historique des retards des vols de la compagnie. En fonction des résultats, vous participerez à la mise en production de vos travaux.

Nous cherchons un élève en formation d’ingénieur en 3e année de cursus.

Vous êtes passionné.e par les problématiques de prévision et leurs applications dans le domaine du transport aérien.

Rigoureux.se, autonome, vous avez de bonnes capacités d’analyse et de synthèse, de bonnes aptitudes relationnelles, et êtes proactif.ve dans la recherche de nouvelles approches. Vous êtes intéressé.e par l’étude de modèles proches de l’état de l’art (modèles probabilistes, réseaux de neurones bayésiens).

Vous maîtrisez le langage Python ainsi que les librairies usuelles de data science & machine learning (pandas, sklearn). Une première expérience avec tensorflow, pytorch, ou tensorflow_probability est fortement appréciée. La connaissance des modèles de prédiction de séries temporelles à l’état de l’art (N-Beats, DeepAR, TiDE, …) est un plus.

Vous êtes curieux.se du fonctionnement intrinsèque des modèles de Machine Learning, y compris les aspects mathématiques.

Lors du dépôt de votre CV sur le site, merci ne pas oublier de mentionner les dates de début et de fin de stage.