Phd-Prise de Décision Précoce pour Détection d'Anomalies en Flux de Data H/F - Orange

L'ambition de la Division Innovation est de porter plus loin l'innovation d'Orange et de renforcer son leadership technologique, en mobilisant nos capacités de recherche pour nourrir une innovation responsable au service de l'humain, éclairer les choix stratégiques du Groupe à long terme et influencer l'écosystème digital mondial.
Nous formons les expertes et les experts des technologies d'aujourd'hui et de demain, et veillons à une amélioration continue de la performance de nos services et de notre efficacité. La division Innovation rassemble, dans le monde, 6000 salariés dédiés à la recherche et l'innovation dont 740 chercheurs. Porteurs d'une vision globale avec une grande diversité de profils (chercheurs, ingénieurs, designers, développeurs, data scientists, sociologues, graphistes, marketeurs, experts en cybersécurité...), les femmes et les hommes de Innovation sont à l'écoute et au service des pays, des régions et des business units pour faire d'Orange un opérateur multiservices de confiance.

Au sein de Innovation, vous serez intégré(e) dans une équipe de recherche en Machine Learning travaillant sur diverses thématiques, comme par exemple l'Auto-ML, le traitement de séries temporelles (i.e. prévision, classification, régression extrinsèque), l'apprentissage faiblement supervisé. Vous ferez partie d'un écosystème de recherche côtoyant les unités opérationnelles, ayant pour but de développer des algorithmes à la pointe et de les diffuser dans le groupe.Votre rôle est d'effectuer un travail de thèse sur : la détection précoce d'anomalies en flux de données.

Les systèmes de monitoring, incluant par exemple la supervision réseau et la détection de fraude, analysent en continu des flux de données massifs. Leur objectif est d'identifier le plus tôt possible des événements anormaux afin de limiter leurs impacts opérationnels.

Dans ces environnements réels, les anomalies sont rares, les labels sont partiels et bruités, et l'historique d'annotation est fortement biaisé par les règles des systèmes de détection préexistants. Les événements sont multiples et doivent être détectés, localisés dans le temps (début/fin), typés, puis éventuellement révisés au fur et à mesure que de nouvelles observations arrivent.

La problématique centrale est donc la suivante : comment concevoir un système de monitoring capable d'anticiper et de localiser des anomalies (ou des évènements) dans un flux continu, en optimisant explicitement le compromis entre précocité, fiabilité et stabilité des décisions, malgré une supervision partielle et biaisée ?

L'objectif de la thèse est de formaliser ce type d'approche permettant la détection précoce et la localisation d'anomalies en flux, intégrant explicitement les coûts de décision (précocité, fiabilité, stabilité) de manière robuste à la faible supervision.

Les résultats attendus sont : (i) la proposition d'un cadre théorique unifiant détection, localisation et déclenchement de décision en flux ; (ii) proposition d'architectures capables d'optimiser directement des critères décisionnels structurés ; (iii) une validation expérimentale sur données publiques et sur un cas d'usage interne avec quantification du gain opérationnel.

Ces travaux ont vocation à fonder une nouvelle génération de systèmes de monitoring anticipatif, génériques et transférables vers les métiers.

Compétences (scientifiques et techniques) et qualités personnelles exigées par le poste:

- Connaissances solides dans le domaine du Machine Learning et plus généralement des mathématiques appliquées.
- Bonnes notions en algorithmies.
- Programmation en langage Python

Formation demandée (master, diplôme d'ingénieur, doctorat, domaine scientifique et technique ...)

Dernière année d'école d'ingénieur, ou master, avec une spécialisation en Machine Learning.


Expériences souhaitées :
Une première expérience dans le monde de la recherche est un plus (stage R&D, rédaction d'article scientifique)