Machine Learning Intern

Vous rejoignez une équipe firmware d’une quinzaine de personnes. Vous travaillez sur un outil d’aide à la prédiction de la durée de vie des batteries lithium de nos alimentations sans interruption. Le stage associe développement embarqué en C, collecte de données et recherche de nouveaux modèles de prédiction afin d’évaluer l’état de santé des batteries.

Missions

Sous la supervision de votre tuteur, vous serez amené à :

• Analyser les données nécessaires à la prédiction de l’état de santé des batteries lithium-ion, notamment la tension, le courant, la température, les cycles de charge et l’impédance, puis définir les variables pertinentes pour l’apprentissage automatique.

• Développer en C l’environnement de stockage embarqué destiné à la collecte et à la gestion des données en mémoire Flash sur STM32.

• Implémenter les mécanismes d’archivage et de rotation des données historiques dans le respect des contraintes embarquées.

• Concevoir, entraîner et évaluer un modèle de machine learning pour prédire l’état de santé des batteries.

• Comparer les stratégies de déploiement, entre entraînement embarqué TinyML et entraînement déporté sur cloud ou PC avec inférence locale.

• Intégrer et valider la solution sur une Gateway réelle en mesurant les performances, la consommation mémoire et la latence.

Profil

• Étudiant en diplôme de niveau Bac+5, Master ou école d’ingénieur en logiciel embarqué ou génie électrique

• Vous recherchez un stage d'une durée de 6 mois.

• Maîtrise de la programmation C embarquée : pointeurs, structures, gestion mémoire et contraintes temps réel

• Maîtrise souhaitée du machine learning avec Python : régression, classification, réseaux de neurones, entraînement et évaluation

• Maîtrise souhaitée du traitement de données avec pandas et NumPy, du feature engineering, de l’analyse statistique et de la visualisation

• Anglais professionnel, niveau B2 minimum, pour les échanges avec les filiales

• Expérience appréciée en TinyML ou Edge AI souhaitée : TensorFlow Lite Micro, Edge Impulse, STM32Cube.AI ou optimisation de modèles

• Connaissance des microcontrôleurs STM32 souhaitée : ARM Cortex-M, STM32CubeMX, HAL, SPI, I2C ou mémoire Flash