Le hub d’Air France à Paris-Charles de Gaulle voit transiter chaque jour plusieurs dizaines de milliers de bagages en correspondance. Entre l’arrivée de son vol et le départ du suivant, chaque bagage en connexion suit un parcours en plusieurs étapes (déchargement, tri, acheminement jusqu’à l’avion), souvent dans un temps contraint. Identifier au plus tôt les bagages qui risquent de ne pas être chargés à temps est un enjeu majeur de qualité de service et de ponctualité.
Pour y répondre, Air France s’appuie sur des modèles de Machine Learning qui prédisent en temps réel l’heure de passage des bagages aux principales étapes de leur parcours. Ces prédictions alimentent l’outil de supervision utilisé par les équipes d’exploitation pour repérer les situations à risque et déclencher des actions correctives.
Les prédictions et le parcours réellement constaté de chaque bagage sont désormais historisés. L’enjeu est d’en tirer pleinement parti : suivre la performance des modèles dans la durée grâce à un outil de monitoring, et enrichir les prédictions d’une mesure de leur fiabilité.
Description de la mission
Rattaché·e au département Data, Recherche Opérationnelle et IA d'Air France-KLM et sous la responsabilité de votre maître de stage, vous rejoindrez l’équipe data science en charge des sujets liés aux opérations sol. Le stage s’articule autour de deux volets.
Le premier volet consiste à concevoir et mettre en production un outil de monitoring des modèles. Vous construirez des tables de données alimentées automatiquement, définirez les indicateurs de performance, mettrez en place la détection des dérives et un système d’alertes, et développerez une application de visualisation destinée à l’équipe comme aux experts métier.
Le second volet, à forte composante R&D, vise à passer d’une prédiction ponctuelle à une prédiction probabiliste. Après un état de l’art, vous étudierez des méthodes de quantification d’incertitude (régression quantile, prédiction conforme) pour estimer des intervalles de prédiction et une probabilité de correspondance manquée. Vous explorerez également des approches d’analyse de survie afin d’actualiser la prédiction lorsqu’un bagage tarde à atteindre l’étape suivante de son parcours. Ces travaux, évalués sur données réelles, pourront déboucher sur de nouveaux indicateurs de risque pour les opérationnels.
Vous travaillerez dans un environnement cloud (Google Cloud Platform), en lien avec les équipes de développement et les experts de l’exploitation bagages.
Profil recherché
Nous cherchons un·e élève en dernière année d’école d’ingénieurs ou en Master 2, spécialisé·e en science des données, statistiques ou informatique, pour un stage de fin d’études en 2027.
Vous maîtrisez Python et SQL et disposez de solides bases en statistiques et en Machine Learning. Une connaissance des méthodes de quantification d’incertitude ou de l’analyse de survie sera un atout, tout comme une première expérience de développement dans un environnement cloud.
Rigoureux·se, autonome et curieux·se, vous appréciez la démarche expérimentale et savez présenter vos résultats à des interlocuteurs non techniques. Un intérêt pour le transport aérien sera un plus.
Pay
Pay is not stated in the ad.
Estimate take-home pay for a figure you enter
Estimated take-home pay
Explore gross pay after typical payroll taxes for a work location.
Illustrative estimate only; assumes a standard employee profile and may omit benefits, pensions, credits and local rules. Regional and city-specific tax applies only where the selected calculator supports it; other results are country-level. Salary and location are sent only when you calculate: Paysums for supported regions, or WorthOf for wider country coverage. Confirm with an official payroll or tax source before making decisions.
Visa sponsorship and relocation: not stated in the ad.
JobCheckPoint never asks candidates to pay, and genuine employers shouldn't either. If this job asks you for money (registration, training, visa or equipment fees), don't pay. Report it below.
