Objectif

• Développer un système prédictif capable d'identifier les risques de défauts de production sur les faisceaux électriques (wiring harnesses).
• Exploiter les données de production pour estimer la probabilité de défaut par lot et permettre des actions correctives en ligne.

Tâches et responsabilités

• Collecte et structuration des données de production issues de MES, ERP et bancs d'essai (intégration via APIs, exports CSV, stockage SQL Server).
• Conception et entraînement d'un modèle de machine learning pour prédire la probabilité de défaut pour chaque lot de production.
• Création d'un dashboard dynamique affichant les indicateurs clés de qualité et de performance et génération d'alertes prédictives destinées aux superviseurs de ligne.
• Documentation complète du travail (notebooks Jupyter, repository GitHub) et remise des artefacts techniques.

Compétences et outils requis

• Data collection et stockage : SQL Server, exports CSV, intégration via MES APIs.
• Data analysis & ML : Python (Pandas, NumPy, Scikit-learn).
• Documentation & versioning : Jupyter Notebook, GitHub.
• Compétences attendues : préparation/feature engineering, validation croisée, évaluation de modèle (PR/ROC/calibration), déploiement basique de scoring pour production.

Livrables et organisation

• Durée : 06 Months (contrat PFE sur 4-6 months).
• Nombre d'étudiants : 01 Intern.
• Livrables attendus : modèle ML opérationnel (code et artefacts), dashboard dynamique des KPIs, module d'alerting pour la supervision, documentation et notebooks reproductibles sur GitHub.

Candidature

• Merci d'envoyer votre candidature par email à G-TN-StagePFE@autoelectric.com .
• Objet du mail à utiliser : "Application - Subject 36: Predictive Analysis of Production Defects in Automotive Wiring Harnesses PFE".