Stage – IA générative pour la maintenance : description robuste de séries temporelles par TSLM

Durée du stage : 6 mois
Date de démarrage envisagée : février ou mars 2026
Localisation du poste : Palaiseau (91)
Gratification : 1200 € net mensuel
Référence de l’offre à mentionner dans l’objet dans votre e-mail de candidature : STAGE-2027-14-IAG1

Contexte du stage

Au sein de l’Institut de Recherche Technologique SystemX, situé au cœur du campus scientifique d’excellence mondiale de Paris-Saclay, vous prendrez une part active au développement d’un centre de recherche technologique de niveau international dans le domaine de l’ingénierie numérique des systèmes. Adossé aux meilleurs organismes de recherche français du domaine et constitué par des équipes mixtes d’industriels et d’académiques, ce centre a pour mission de générer de nouvelles connaissances et solutions technologiques en s’appuyant sur les percées de l’ingénierie numérique et de diffuser ses compétences dans tous les secteurs économiques. Vous serez encadré par un ingénieur-chercheur SystemX du domaine Interaction Humain-IA. Vous travaillerez au sein du projet SystemX IA générative pour l’industrie (IAG1) dont les partenaires industriels sont AirLiquide et Michelin.

Le poste est basé à l’IRT SystemX – Palaiseau.

Présentation du sujet

Objectifs du stage

Au sein du projet IAG1, l’équipe développe un agent d’assistance à la maintenance pour des systèmes industriels complexes. Dans ce pipeline, la description des séries temporelles constitue un élément clé. L’outil conçu pour cette tâche vise à traduire en langage naturel les signaux issus de systèmes industriels, tels que des engins de refroidissement, où ces signaux reflètent l’état de santé des différents composants. Ces descriptions seront ensuite exploitées par un agent de diagnostic, ce qui permet d’ancrer ses analyses dans les données réelles.

La description de séries temporelles par des modèles de langage est un champ de recherche émergent, ouvert en 2024 par des modèles comme ChatTS [1], entraînés à répondre à des questions sur des séries temporelles. Les benchmarks récents montrent toutefois que ces performances restent limitées : BEDTime [2] observe qu’aucune approche actuelle ne restitue de manière fiable les propriétés de base d’un signal, y compris les modèles spécialisés. Des travaux récents menés dans le projet [3] ouvrent la voie à des pistes intelligentes de raisonnement sur séries temporelles. L’objectif du stage est de concevoir et d’évaluer des méthodes de description de séries temporelles dépassant ces limites, en explorant les pistes identifiées par la recherche :  comme le raisonnement à partir de features statistiques, le raisonnement contrastif, ou encore l’orchestration agentique de ces différents composants. Les travaux réalisés durant le stage ont vocation à être intégrés au pipeline du projet. L’outil de description de séries temporelles développé viendra ainsi enrichir la chaîne de diagnostic existante. Cette intégration permettra d’évaluer l’apport de l’outil en conditions réelles, sur les cas d’usage industriels du projet.

Missions

• Réaliser l’état de l’art sur la description de séries temporelles par LLM (TSLM, benchmarks d’évaluation)
• Concevoir et développer un descripteur de séries temporelles (features statistiques, raisonnement contrastif, sélection adaptative par agent) et l’intégrer au pipeline de diagnostic existant
• Evaluer et valider la performance des approches proposées rigoureusement sur des jeux de données existantes
• Présenter les résultats à l’équipe et aux partenaires, et contribuer à une publication scientifique si l’opportunité se présente.

Références bibliographiques 

1. Xie et al., ChatTS: Aligning Time Series with LLMs via Synthetic Data for Enhanced Understanding and Reasoning, arXiv:2412.03104, 2025.
2. BEDTime: A Unified Benchmark for Automatically Describing Time Series, arXiv:2509.05215, 2025.
3. CLARTE : CLARTE – Channel-adaptive Lightweight Aggregation for Retrieval and Temporal Explainability. Martin Royer, Maxence Gagnant, Martin Gonzalez, Milad Leyli-Abadi. Sep 2026 ⟨hal-05660208v1⟩.

Profil et compétences

De formation : BAC +5 école d’ingénieur ou master d’université, dans le domaine de l’IA, le Machine Learning, la science des données, le traitement du signal.

Compétences souhaitées :

• Expérience pratique des LLMs et optionnellement de l’analyse de séries temporelles
• Solides fondements en Machine Learning (analyse de données, deep learning) et en traitement du signal ;
• Bonne maîtrise de Python : pratique de Git et expérience de travail en équipe sur projets collaboratifs.

Aptitudes personnelles :

• Rigueur scientifique
• Bonne communication et goût pour la pédagogie
• Esprit d’initiative
• Travail en équipe

Merci de joindre CV, lettre de motivation, relevé de notes et autres documents utiles comme une lettre de recommandations.