Proposition de stage 2022
« Automated Data Cleaning - Expérimentation de méthodes et de
solutions »

Descriptif
Contexte R&D :
La R&D d'EDF a pour missions principales de contribuer à l'amélioration
de la performance des unités opérationnelles du Groupe EDF,
d'identifier et de préparer les relais de croissance à moyen et long
terme. Dans ce cadre, le département SEQUOIA (Services, Economie,
Questions hUmaines, Outils innovants et IA) est un département
pluridisciplinaire (sciences des données et IA, offres et services
innovants aux clients, sciences humaines et sociales, économie et
stratégies) qui fournit un appui à l'élaboration et au portage des
offres, des services et des outils aux Directions opérationnelles du
Groupe EDF. Au sein de ce département, le stage sera rattaché au groupe
SOAD (Statistiques et Outils d'Aide à la Décision) qui compte une
vingtaine d'ingénieurs chercheurs spécialisés en Data Science, Data
Engineering, Informatique Décisionnelle et Text Mining. Cette équipe a
pour mission de construire et mettre en oeuvre les méthodes d'analyse,
de fouille et d'enrichissement de données volumineuses d'origines
multiples, structurées ou complexes. Le(a) stagiaire sera amené(e) à
interagir et évoluer dans un cadre collaboratif avec d'autres
chercheurs travaillant sur des problématiques communes au Groupe EDF.

Contexte technique :
Les données volumineuses auxquelles EDF doit faire face sont en grande
partie des séries temporelles (données de consommation, données de
production, données de capteurs issues de nos centrales, données issues
d'objets connectés, données météo, etc.) mais aussi des données
tabulaires (stockées dans des bases de données historiques) et des
données textuelles (issues des comptes rendus d'intervention, du
patrimoine documentaire de nos installations, etc.), entre autres. Ces
données peuvent parfois contenir des erreurs (ex : erreurs de saisie,
valeurs aberrantes, valeurs dupliquées, etc.) et engendrent ainsi des
problèmes de fluidité des interactions, de productivité et de
compétitivité à long terme d'un modèle. La gestion de la qualité des
données s'avère ainsi un enjeu majeur pour les entreprises dans tous
secteurs d'activités confondus. Nous cherchons ainsi à identifier et/ou
développer une méthode d'optimisation de ces tâches de préparation de
données dans le processus d'apprentissage automatique.

Une des pistes déjà identifiée et en cours d'explorer par notre équipe
SOAD est une méthode d'optimisation par l'apprentissage par
renforcement avec Q-Learning .  Il pourrait être une des méthodes
candidates à tester par le stagiaire.


Objectifs et contenu du stage :
L'objectif général du stage sera donc de participer à l'identification
et à la mise en oeuvre d'un algorithme ou modèle IA capable de proposer
la ou les meilleures solutions de nettoyage de données dans le
processus de l'apprentissage automatique. Cet algorithme doit être
assez générique et réutilisable pour différents modèles (régression,
classification, clustering, ...) pour les données structurées en premiers
temps et non-structurées en deuxième temps. Pour cela, le stagiaire
devra :
-   Réaliser une revue de littérature des méthodes (open source ou
    payantes) permettant la gestion (identification et correction) de
    la qualité de données selon la nature des données (tabulaire,
    texte, série temporelle) ;

-   Expérimenter les méthodes identifiées dans la littérature et/ou
    développer son propre algorithme pour répondre à la problématique ;

-   Évaluation sur un jeu de données fourni par EDF (données
    textuelles, séries temporelles, ...) d'une (ou des méthodes)
    pertinente(s) basée(s) sur les méthodes en apprentissage
    automatique permettant l'identification des erreurs et leur
    correction.

Profil souhaité
Formation : M2, Ecole d'Ingénieur ou équivalent dans les domaines de
compétences : Data Science, Machine Learning et gestion de données

Compétences requises :
-   Bonne connaissance en programmation Python
-   Bonne connaissance en gestion et traitement de données
-   Bonne connaissance en modélisation de données par les méthodes
    d'apprentissage automatique
-   Bonne connaissance en apprentissage par renforcement sera un plus

Qualités recherchées :
-   Esprit scientifique ;
-   Esprit critique et de synthèse ;
-   Force de proposition ;
-   Ouverture sur de nouvelles problématiques ;
-   Autonome ;
-   Savoir prendre du recul face à un problème.

Conditions matérielles
-   Unité d'accueil : Département SEQUOIA, Groupe SOAD (Statistique et
    Outils d'Aide à la Décision) EDF Lab Paris-Saclay, 7 boulevard
    Gaspard Monge, 91120 Palaiseau.
-   Début souhaité :  T1 2022.
-   Durée : 6 mois
-   Rémunération : prévue en fonction de la formation
-   Pour candidater : transmettre par mail un CV et une lettre de
    motivation à : somsakun.maneerat@edf.fr