Contexte et objectif

• Développer un système d’Intelligence Artificielle pour la détection proactive et la prédiction des anomalies dans l’écosystème Charging.
• Améliorer la disponibilité et la robustesse des services Charging en corrélant anomalies multi-nœuds (ex. anomalie AIR impactant SDP) et en produisant alertes prédictives et recommandations opérationnelles.

Collecte et préparation des données

• Extraction et centralisation des logs : CCN, OCC, SDP, AIR, NGVS ainsi que l’historique des tickets incidents et séries temporelles des KPI (sessions, taux d’erreur, latence, FD usage).
• Pré-traitement : nettoyage, normalisation et anonymisation des données pour respect privacy et qualité des jeux d’entraînement.

Modélisation IA / ML

• Détection d’anomalies : expérimenter Isolation Forest, Autoencoders, DBSCAN pour repérer comportements anormaux dans les flux et logs.
• Séries temporelles et prédiction : implémenter et comparer LSTM, GRU, Prophet et modèles basés sur Transformers pour prédiction de tendances et pics (ex. saturation sessions GY).

Cas d’usage ciblés et corrélation multi-nœuds

• OCC : prédiction de saturation des sessions GY lors de pics data pour anticiper mise à l’échelle.
• SDP : détection d’anomalies de taxation en temps réel.
• NGVS : détection de lenteur dans la génération/distribution des vouchers et analyse d’impact sur d’autres composants.

Déploiement et visualisation

• Conception d’un tableau de bord intelligent pour visualiser anomalies (Grafana ou Streamlit) et suivre KPI en temps réel.
• Mise en place d’un système d’alertes prédictives et d’un module de recommandations opérationnelles (restart process, équilibrage, purge caches).

Livrables attendus

• Proof-of-concept des modèles de détection et prédiction, pipeline ETL reproduisible et documenté.
• Tableau de bord interactif montrant détections, scores de confiance et recommandations automatisées.
• Rapport final incluant méthodologie, comparatif des modèles, métriques d’évaluation et préconisations de mise en production.

Diplôme, compétences et technologies

• Niveau requis : cycle ingénieur en télécommunication ou informatique.
• Compétences attendues : data engineering (ETL), ML/Deep Learning pour séries temporelles, analyse de logs, anonymisation de données, containerisation/déploiement.
• Technologies citées : Python, bibliothèques ML/Deep Learning (TensorFlow/PyTorch), Prophet, scikit-learn, Grafana/Streamlit, outils de traitement de logs.

Détails pratiques

• Durée du stage : 6 mois.
• Entité d’accueil : Department IN - Support IN.
• Nombre de stagiaires requis : 2.

Candidature

• Postulez via le lien suivant : https://lnkd.in/da_UTm6r
• Objet recommandé pour le courriel : "Candidature — DRS 028 Développement d’un système d’Intelligence Artificielle pour la détection proactive et la prédiction des anomalies dans l’écosystème Charging — Stage PFE"