Post-doctorant ou Post-doctorante en Sciences de données pour le contrôle de qualité dans la fabrication de dispositifs médicaux – CDD 12 mois, potentiellement renouvelable

ENGLISH VERSION

Mines Saint-Etienne est une Ecole de l’Institut Mines-Télécom (IMT), 1er groupe public d’écoles d’ingénieurs et de management de France. L’IMT est un EPSCP (grand établissement) sous la tutelle du Ministère de l’Économie, des Finances et de la Souveraineté Industrielle et Numérique.

Le Laboratoire d'Informatique, de Modélisation et d'Optimisation des Systèmes (LIMOS), Unité Mixte de Recherche (UMR 6158) en informatique, et plus généralement en Sciences et Technologies de l'Information et de la Communication (STIC), est le laboratoire d’accueil. Le LIMOS est principalement rattaché à l'Institut des Sciences de l'Information et de leurs Interactions (INS2I) du CNRS et de façon secondaire à l'Institut des Sciences de l'Ingénierie et des Systèmes (INSIS). Il a pour tutelles académiques l'Université Clermont Auvergne (UCA) et Mines Saint-Etienne (MSE). Il est également membre de Clermont Auvergne INP.

Créé en 2011, l’Institut Henri Fayol, centre de formation et de recherche de Mines Saint-Etienne, s’intéresse aux transformations actuelles à l’aune des transitions numérique, écologique et industrielle qui sont au cœur de l’efficience, de la résilience et de la durabilité de l’industrie et des territoires du futur. Pour cela, l’institut déploie une stratégie pluridisciplinaire mettant en synergie des compétences fortes en génie mathématique et industriel, en informatique et systèmes intelligents, en génie de l’environnement pour les organisations, en management responsable et innovation en lien avec EVS UMR 5600, LIMOS UMR 6158 et COACTIS Unité de Recherche en gestion.

Au sein de cet institut, le département Génie Mathématique et Industriel (GMI) s’intéresse aux modèles de décision et à la science des données en mobilisant ses compétences fortes en modélisation statistique, en optimisation et en recherche opérationnelle, pour la conception et l'optimisation de systèmes réels et complexes.

Contexte scientifique et industriel

L’offre de poste se place dans le cadre d’une collaboration entre la société Thuasne à Saint-Étienne et Mines Saint-Etienne avec l’institut Henri Fayol (équipe GMI).

Fondé en 1847, Thuasne imagine, développe et fabrique des dispositifs médicaux permettant à chacun de devenir acteur de sa propre santé. Depuis 6 générations, le Groupe propose des solutions de santé concrètes, adaptées et innovantes dans les domaines de l’orthopédie, de la compression médicale, du maintien à domicile et du sport.

Les évolutions technologiques liées à l’Industrie 4.0 peuvent être utilisées pour résoudre les problématiques de la maîtrise de la qualité (contrôle Qualité 4.0). Lors de la digitalisation et la numérisation des chaînes de production, de nombreuses données sont accessibles et utilisables pour le contrôle qualité. Toutefois ces données ne sont pas suffisamment exploitées pour assurer une amélioration du contrôle et de la production.

L’objectif de ce projet est d’optimiser les contrôles qualité dans la fabrication de dispositifs médicaux en exploitant les différentes données disponibles dans la chaîne de production. Afin de réaliser cet objectif, il s’agit d’explorer différentes solutions d’apprentissage statistique appliquées à la détection d’anomalies, adaptées aux types de données issues du processus de fabrication. Il s’agira d’optimiser le contrôle qualité en détectant parmi cet ensemble de données et informations disponibles les données d’anomalies potentielles et en analysant les causes fondamentales des défauts de production.

Missions

Dans le cadre de ce projet, le candidat ou la candidate devra réaliser les missions suivantes en collaboration avec le partenaire industriel au sein de l’entreprise, dont :

• L’appropriation des différents types de contrôle de qualité réalisés dans le cadre du processus de fabrication en lien avec les experts du domaine (cartographie des contrôles qualité)
• L’analyse les ensembles des données disponibles afin d’identifier les données exploitables pour l’analyse de la qualité et du contrôle qualité
• La priorisation et sélection des contrôles qualité de ces processus de production qui seront cibles des phases suivantes du travail en fonction de la durée et de la faisabilité de l’étude.
• La sélection des méthodes d’apprentissage automatique les mieux adaptées aux données retenues pour la détection de la non - qualité ou de défauts de fabrication à partir d’un état de l’art adapté
• Le développement, les tests et la validation des différentes méthodes de contrôle de qualité
• Le transfert des connaissances et des résultats de l’étude auprès du partenaire industriel
• La valorisation de ce travail par des publications dans les conférences du domaine

Mots clés : Contrôle qualité, Apprentissage statistique, Apprentissage automatique, Détection des anomalies, Analyse des causes fondamentales, Création et distribution des dispositifs médicaux, Cartographie de la chaine de la valeur (VSM value stream mapping)

Le candidat devra être titulaire d’un doctorat en mathématiques appliquées, ou en sciences de données en lien avec l’apprentissage statistique. Une expérience sur les techniques de détection d’anomalies et les techniques d'analyse des causes sera tout particulièrement appréciée

Les compétences attendues concernent :

• L’analyse et le traitement des données.
• Les Sciences des données, l’apprentissage automatique (machine learning), l’apprentissage profond (deep learning) et l’identification de modèles.
• Les Méthodes et algorithmes de détection d’anomalies et des techniques d’identification de causes

Il est également attendu que le candidat démontre :

• une expérience professionnelle significative dans le domaine du contrôle de qualité et de l'optimisation des chaînes de production industrielle.
• la capacité à traiter différents types de données : quantitatives, qualitatives et/ou textuelles.
• la maîtrise des langages de programmation Python et R.
• des compétences en implémentation et industrialisation des différents algorithmes développés.