Contexte et objectif du projet

• Concevoir un système de maintenance prédictive intelligent reposant sur l'intelligence artificielle pour la surveillance des véhicules en temps réel.
• Intégrer du matériel embarqué (STM32 / Raspberry) et des modèles d'apprentissage automatique pour détecter les anomalies et anticiper les défaillances avant leur apparition.

Missions principales

• Développer et déployer des capteurs et du firmware sur plateforme STM32 / Raspberry pour la collecte de données en temps réel.
• Concevoir et entraîner des modèles IA/ML (Python) pour la détection d'anomalies, la prédiction de pannes et l'alerte précoce.
• Implémenter des pipelines de traitement des données et stockage (SQL) pour historisation, requêtage et analyses.
• Tester, valider et intégrer l'ensemble (matériel + logiciel + modèles) pour garantir robustesse et latence adaptée à l'embarqué.

Environnement technique

• Plateformes matérielles : STM32, Raspberry Pi.
• Langages / outils : Python pour le traitement des données et le développement des modèles, SQL pour la gestion des données.
• Techniques IA : apprentissage automatique pour la détection d'anomalies et la prédiction de défaillances.

Profil recherché et compétences

• Niveau : Ingénieur stagiaire en Systèmes Embarqués.
• Compétences requises : expérience ou connaissances en STM32/Raspberry, Python, notions d'IA/ML, SQL.
• Aptitudes recherchées : rigueur dans le développement embarqué, capacité d'analyse des données, autonomie et sens de l'intégration système.

Livrables attendus

• Firmware/logiciel embarqué opérationnel pour la collecte et la transmission de données.
• Modèles IA entraînés et évalués pour la détection d'anomalies et la prédiction de pannes.
• Documentation technique et guide d'intégration pour l'exploitation en environnement véhicule.

Modalités de candidature

• Envoyer votre candidature (CV + lettre de motivation + éventuels projets / code) par email à : stagetunisie.tn@capgemini.com.
• Objet de l'email : "Candidature stage PFE - Système de maintenance prédictive pour les véhicules (65)".