Publication date : Oct 29, 2026, 11:57AM
Contract duration : 6 months
Dans la continuité des travaux sur la prédiction de QoS (Quality of Service) et la supervision agentique du pipeline, le stage vise à concevoir et évaluer une approche permettant d’adapter les modèles aux zones géographiques où leurs performances diminuent, sans réentraîner systématiquement le modèle sur l’ensemble du territoire. Le ou la stagiaire étudiera comment les apprentissages réalisés localement sur des groupes de quadkeys peuvent contribuer à un modèle global, en tenant compte des performances et de la quantité de données de chaque zone.
Dans ce cadre, vous serez amené à :
Réaliser un état de l’art sur l’apprentissage fédéré, l’adaptation locale des modèles et les méthodes d’agrégation adaptées aux arbres de décision
Définir les zones d’apprentissage à partir des quadkeys et étudier le compromis entre précision géographique et volume de données disponible
Étudier des méthodes de fédération adaptées au modèle global existant, notamment aux modèles de type GBDT comme LightGBM, ainsi que des approches telles que FedTree
Concevoir et comparer des stratégies d’agrégation intégrant différents critères : volume et fraîcheur des données, qualité des prédictions locales, représentativité des zones et niveau de dégradation détecté
Évaluer les méthodes sur des données temporelles et géographiques, en comparant leurs performances locales et globales avec celles du modèle de référence
Prototyper une solution pouvant s’intégrer au pipeline existant et être déclenchée à partir des zones identifiées par la couche agentique
Présenter les résultats et formuler des recommandations pour la poursuite de l’intégration.
Formation de niveau Bac+5, en école d’ingénieurs ou à l’université, spécialisée en intelligence artificielle, Machine Learning, Data Science ou informatique
Bonnes connaissances en apprentissage automatique et en évaluation de modèles
Maîtrise de Python et des principaux outils de Data Science, notamment scikit-learn
Une expérience avec LightGBM, XGBoost ou les modèles d’arbres constitue un atout
Des connaissances en apprentissage fédéré, systèmes distribués ou données spatio-temporelles sont appréciées
Capacité à conduire des expérimentations, analyser des résultats et travailler en équipe
Autonomie, rigueur, curiosité scientifique et bonnes capacités de communication
Vous travaillerez sur un cas concret de recherche appliquée, à l’intersection de l’apprentissage fédéré, de la Data Science et de l’IA agentique
Vous contribuerez à rendre les modèles de prédiction de QoS plus réactifs aux évolutions locales du réseau et à limiter les réentraînements globaux coûteux
Vous étudierez un enjeu central des approches fédérées : comment combiner les contributions de zones géographiques très différentes, sans que les zones les plus volumineuses dominent systématiquement
Vous évoluerez au sein d’une équipe spécialisée en Data Science et en intelligence artificielle, dans un contexte industriel lié à la mobilité connectée
Au sein de la direction Data & IA, l’équipe INK (Intelligence, Network and Knowledge) est spécialisée dans les domaines de la Data Science, du Big Data et de l’ingénierie des connaissances. Elle met en œuvre des techniques d’intelligence artificielle pour des applications variées, notamment l’optimisation et l’automatisation de la gestion des réseaux et l’amélioration de l’expérience client. Le stage s’inscrit dans les travaux de l’équipe sur la prédiction de la qualité de service dans le contexte de la mobilité connectée.
Desired start date : Feb 01, 2027, 12:00AM
At Orange, only your skills matter.
Regardless of your age, gender, background, origin, religion, sexual orientation, disability, neurodiversity, or appearance, we actively encourage diversity within our teams, as it is a collective strength and a driver of innovation. Orange is a disability-inclusive employer: please feel free to let us know about any specific needs you may have.