Ingénieur en Intelligence Artificielle, Sciences des Données et Systèmes Embarqués

Intégration de Safran pour réaliser un stage de recherche et développement axé sur la modélisation d'arcs électriques de défaut par régression symbolique.

• Réalisation d'une étude bibliographique approfondie sur les arcs électriques, les phénomènes plasma et les méthodes de régression symbolique (AI Feynman, SINDy, PDE-FIND, PySR).
• Modélisation et simulation de circuits électriques (RLC, RL, RC) intégrant des arcs électriques via des modèles physiques de référence (Mayr, Cassie, Schwarz, Habedank).
• Conception d'un pipeline de données (train/validation/test) pour l'identification et la comparaison de modèles d'arcs électriques.
• Amélioration de la dérivation numérique et intégration de contraintes physiques, notamment l'analyse dimensionnelle.
• Étude de l'impact des paramètres expérimentaux tels que la fréquence d'échantillonnage, le bruit gaussien et la stabilité des systèmes dynamiques.
• Application de méthodes de régression symbolique pour identifier des modèles d'arcs à partir de données réelles.

Rejooint Blockward en télétravail en tant que stagiaire ingénieur en machine learning pour contribuer à des projets de vision par ordinateur et de traitement d'images.

• Création d'un dataset à partir de vidéos YouTube.
• Annotation d'environ 6 000 images à l'aide de l'outil CVAT.
• Développement d'un outil semi-automatique combinant YOLO et ByteTrack pour accélérer l'annotation des données.
• Étude de modèles de détection et de tracking de balle, incluant des tests du modèle TrackNet V4 sur le dataset interne.
• Contribution à la rédaction d'un article scientifique portant sur la création du dataset et la comparaison des modèles.

Stage effectué au sein du laboratoire Lab-STICC de l'ENSTA pour travailler sur la prédiction du type de fond marin par données acoustiques en nuages de points.

• Prise en main et adaptation d'un pipeline de prétraitement 4D pour des données brutes non structurées.
• Menée d'une recherche bibliographique et maîtrise des architectures PointNet et PointNet++ pour la segmentation sémantique.
• Réalisation d'une analyse statistique des données acoustiques et préparation des jeux d'entraînement pour optimiser l'apprentissage.
• Entraînement, ajustement et évaluation des modèles à l'aide de métriques quantitatives et de visualisations.
• Validation de deux architectures de référence, posant les bases pour de futures recherches sur les nuages de points acoustiques.