description du poste

**Job Description:** br**Envie de déployer vos ailes ? Et si votre aventure commençait avec nous ? **br**Quel que soit le métier de vos rêves, nous avons peut-être le stage qu’il vous faut ! **brVous êtes étudiant(e) et à la recherche d'un *stage * vous permettant de valider votre diplôme et qui fera décoller votre carrière ? Imaginez-vous au cœur d’une entreprise reconnue à l’international, implantée sur tous les continents du monde et riche d’une diversité de parcours, d’expertise et de culture. Tournée vers le digital, à la pointe de la recherche et de l’innovation, vous avez l’opportunité de faire partie de cette aventure passionnante. br**Votre mission, si vous l'acceptez : **brUne offre de stage intitulée « * Quantification de l'incertitude d'un capteur virtuel basé sur un réseau de neurones pour les commandes de vol » * vient de s'ouvrir au sein d' *Airbus Operations S.A.S*. sur son site de *Saint-Martin, à Toulouse, en France*. Vous rejoindrez le département « *Aircraft Control Integration (1YCI) * » en charge des activités d’intégration pour le périmètre des commandes de vol, au sein de l’Engineering pour la division Aircraft Commercial. Ce département couvre, entre autres, l'expertise technique nécessaire à la transformation numérique des applications liées au contrôle des avions (notamment l'analyse de données et l'intelligence artificielle). Le stage sera également co-encadré par le domaine 1XRD (domaine Intelligence Artificielle, au sein de l'équipe RT centrale d'Airbus). br* Voici des éléments concernant votre stage: *brLes avions civils sont des produits très complexes, équipés de nombreux capteurs de natures diverses pour différents systèmes : commandes de vol, train d'atterrissage, air, carburant, etc. Ces capteurs servent principalement au contrôle, mais aussi à la surveillance des systèmes, c'est-à-dire à la détection d'éventuels comportements anormaux susceptibles d'impacter leur fiabilité et leur sécurité. Les techniques traditionnelles de détection de ces défauts et pannes reposent sur le traitement du signal et le contrôle. Les deux principales familles de techniques peuvent également être classées en approches basées sur les données et en techniques basées sur les modèles. brRécemment, les approches basées sur des modèles et utilisant des capteurs virtuels (aussi appelés capteurs synthétiques) ont gagné en popularité. L'idée est de développer un modèle qui, s'il est suffisamment précis, fournira les mêmes mesures qu'un capteur réel en conditions de fonctionnement normales et sans défaut. Ce « capteur virtuel » permet de détecter les défauts/défaillances du capteur réel correspondant grâce à des techniques de fusion de données, et potentiellement de remplacer ce capteur en cas de perte totale de ses mesures. brPlus récemment, les techniques d'apprentissage automatique supervisé offrent des perspectives intéressantes pour le développement de tels capteurs synthétiques, notamment en exploitant les réseaux de neurones (RN). Cependant, les données utilisées pour entraîner ces modèles sont souvent imparfaites ce qui dégrade la qualité des prédictions. De plus, les RN peuvent se comporter de manière imprévisible sur des entrées qui s'écartent significativement des données d'entraînement. La quantification de l'incertitude prédictive pour le déploiement de RN dans des applications critiques constitue donc un défi majeur. En vue d'intégrer ces capteurs virtuels basés sur les réseaux neuronaux à bord de l'avion, nous devrons prouver que les incertitudes sont bien calibrées et fiables, ce qui nous permettra de distinguer les situations où le capteur virtuel est fiable et celles où il ne l'est pas. brDans le monde universitaire, ces techniques relèvent de l'apprentissage automatique probabiliste et de la quantification de l'incertitude (UQ). L'objectif principal est de construire des modèles qui capturent, décomposent et propagent l'incertitude en apprenant des distributions de probabilité complètes sur les paramètres et les prédictions. Ce cadre unifié permet une inférence raisonnée, des prédictions bien calibrées et une prise de décision robuste dans les systèmes non linéaires complexes. brCe stage, d'une durée de *6 mois*, débutera idéalement en *Février 2026*(cette période est indicative et pourra être ajustée). brVos principales missions consisteront à : br* Étude des techniques de QU dans un cas d'utilisation industriel, lié au système de commande de vol br* Découverte du système de commande de vol et du cas d'utilisation sélectionné br* Étude bibliographique sur la QU dans le contexte des réseaux de neurones br* Application des techniques de QU les plus couramment utilisées au cas d'utilisation sélectionné br* Évaluation comparative des différentes techniques br* Conclusions et travaux futurs brbrVotre tuteur vous accompagnera tout au long de votre stage, vous aidant à développer vos compétences et à atteindre vos objectifs professionnels. brCe stage vous permettra notamment de développer les compétences suivantes : br* Connaissances générales en contrôle des aéronefs br* Conception de réseaux neuronaux et de capteurs virtuels br* Détection de pannes br* Apprentissage automatique probabiliste et quantification des incertitudes (UQ) br* Communication et rédaction de rapports techniques brbr**Votre carte d’embarquement pour cette aventure : **brVous êtes actuellement en *Bac+5 *en Ingénierie aéronautique ou Informatique. brVous possédez idéalement les compétences suivantes : brCompétences techniques : br* Ingénierie des systèmes, avec une spécialisation en science des données br* Intérêt marqué pour les mathématiques, les statistiques, la science des données et les techniques d'intelligence artificielle br* Connaissances de base en analyse de données, notamment en méthodes statistiques (notamment la régression et l'apprentissage automatique) br* Une connaissance de base de la modélisation probabiliste en apprentissage automatique (comme la régression hétéroscédastique) serait un plus br* Maîtrise d'outils tels que Python et PyTorch brbrSoft Skills : br* Excellentes compétences en communication et en collaboration br* Capacité à résoudre des problèmes complexes br* Esprit d'équipe, proactivité, autonomie brbrLangues : br* Anglais : Avancé br* Français : Avancé brbr**Notre processus de recrutement : **brVotre candidature sera analysée attentivement par notre équipe de recrutement. Si votre profil correspond à nos attentes, vous serez invité(e) à réaliser un entretien vidéo. Suite à cette étape, si votre candidature est retenue, elle sera alors proposée au manager pour un entretien. brEnvie de faire partie de l'aventure Airbus ? *Postulez dès maintenant et rejoignez-nous !* br____________________________________________________________________________________________________________________________________br* Feeling ready to spread your wings ? What if your adventure started with us ?! *br* Whatever your dream job, we might have the internship for you ! *brAre you a student looking for an internship that will validate your degree and launch your career ? Imagine yourself at the heart of an internationally recognized company , established on every continent, and rich in diverse backgrounds, expertise, and cultures. brFocused on digital and at the forefront of research and innovation , you have the opportunity to be part of this exciting adventure. br**Your mission : **brAn internship opportunity titled : * « Uncertainty Quantification of a Neural Network-Based Virtual Sensor for a Civil Aircraft Flight Control System » * has just opened at * A irbus Operations S.A.S. * located in * Toulouse - Saint-Martin, France. * You will join the department in charge of *Aircraft Control Integration (1YCI)*, which also includes the technical expertise needed for the Digital Transformation of applications concerning Aircraft control (namely Data Analytics and Artificial Intelligence). The internship will also be co-supervised by the 1XRD domain (Artificial Intelligence domain, as part of the Airbus Central RT Team). br* Internship technical description: *brCivil aircraft are highly complex products, equipped with plenty of sensors of different natures for different systems: flight control, landing gear, air, fuel, etc... These sensors are mainly used to control but also to monitor the systems, i.e. to detect any abnormal behaviour that could, under some circumstances, impact the reliability and the safety of the systems. Traditional techniques to detect these faults and failures are based on signal processing and control techniques. The two main families of techniques can also be categorized into data-driven techniques and model-based techniques. brRecently, model-based approaches based on virtual sensors (a.k.a. synthetic sensors) have gained popularity. The idea is to develop a model that, if sufficiently accurate, will output the same readings a real sensor would produce under normal, fault-free operating conditions. brThis “virtual sensor” allows to detect faults/failures of the corresponding real sensor by using data fusion techniques, and potentially to replace this sensor in case of complete loss of the sensor measurement. brMore recently, supervised machine-learning techniques offer appealing avenues for developing such synthetic sensors, in particular by leveraging Neural Networks (NN). However, the data used to train such models is often not perfect, which degrades prediction quality. Furthermore, NNs can behave unpredictably on inputs that deviate significantly from the training data. It is therefore a key challenge to quantify predictive uncertainty for deploying NNs in critical applications. In view of embedding these NN-based virtual sensors on-board the aircraft, we will need to prove that the uncertainties are well-calibrated and reliable, enabling us to distinguish when the virtual sensor can be trusted and when it cannot. This can be especially useful in monitoring (algorithms dedicated to real-time fault detection) as it allows us to adapt threshold-based logics. brIn the academic world, these techniques fall under the umbrella of probabilistic machine learning and uncertainty quantification (UQ). The key objective is to build models that capture, decompose, and propagate uncertainty by learning full probability distributions over parameters and predictions. This unified framework enables principled inference, well-calibrated predictions, and robust decision-making in complex, nonlinear systems. brIdeally, this is a *6 months * internship and it should start in *February 2026* (date subject to flexibility). brYour main missions will consist of : br* Investigate UQ techniques on an industrial Use Case, related to the flight control system br* Discovering the Flight Control System and the selected Use Case br* Bibliographic study on UQ in the context of NNs br* Application of the most commonly used UQ techniques to the selected Use Case br* Benchmarking of the different techniques br* Conclusions and future works brbrYour tutor will support you identify your professional objectives and develop your skills. brThis internship will allow you to develop the following skills: br* Aircraft Control general knowledge br* Neural Network and Virtual Sensor design br* Fault Detection br* Probabilistic machine learning and uncertainty quantification (UQ) br* Communication and technical report writing brbr**Your Boarding Pass: **br You are preparing a diploma level *Bac+5* in 2026 (or equivalent). brYou possess the following competences: brTechnical skills : br* Systems Engineering, with a Data Science specialization br* A strong interest in mathematics, statistics, Data Science, and Artificial Intelligence techniques br* Basic knowledge of Data Analytics techniques, especially statistical methods (including regression and Machine Learning) br* Basic knowledge of probabilistic modelling in machine learning (such as heteroscedastic regression) would be a plus br* Proficiency in tools such as Python, PyTorch... brbrSoft Skills : br* Excellent communication, collaboration br* Complex problem-solving skills br* Team spirit, Proactive, Autonomy brbrLangues skills : br* English : advanced br* French : advanced brbr**Our Recruitment Process : **brYour application will be reviewed by a recruiter. If your profile is matching the key requirements of the job, you will then be invited to perform a short video interview to tell us about your background, motivations and your professional project. The result will be assessed by a recruiter and your application will then be proposed to the manager for further review and interview. br* Feeling ready to be part of the Airbus adventure ? *Join us !**brThis job requires an awareness of any potential compliance risks and a commitment to act with integrity, as the foundation for the Company’s success, reputation and sustainable growth.br****Company:**** brAirbus Operations SASbr*Employment Type:*brInternshipbr-------br*Experience Level:*brStudentbr*Job Family:*brVehicle Mission Control brBy submitting your CV or application you are consenting to Airbus using and storing information about you for monitoring purposes relating to your application or future employment. This information will only be used by Airbus.brAirbus is committed to achieving workforce diversity and creating an inclusive working environment. We welcome all applications irrespective of social and cultural background, age, gender, disability, sexual orientation or religious belief.brAirbus is, and always has been, committed to equal opportunities for all. As such, we will never ask for any type of monetary exchange in the frame of a recruitment process. Any impersonation of Airbus to do so should be reported to . brAt Airbus, we support you to work, connect and collaborate more easily and flexibly. Wherever possible, we foster flexible working arrangements to stimulate innovative thinking.