Data Scientist Intern

Stage - Data Scientist (F/H)

- - - - - - - - - - - -

📍 Localisation : Lyon

🎓 Niveau d'études : Bac +3 à Bac +5

📅 Date de début : A partir de février 2027

⏱️  Durée: 6 mois

Au sein de l'entité Data Market de Michelin, vous contribuerez à la conception et au développement de solutions d'Intelligence Artificielle et de Machine Learning appliquées aux marchés automobile et pneumatique. Vous travaillerez sur des données liées aux véhicules, aux pneumatiques, aux ventes, au sell-in, au sell-out, aux stocks et aux canaux digitaux.

La mission couvre l'ensemble du cycle de vie d'un projet IA, depuis la compréhension du besoin métier et la préparation des données jusqu'au développement, à l'évaluation et à l'industrialisation des modèles. Les projets pourront faire appel à différentes approches : Machine Learning, prévision (forecasting), NLP/LLM, Computer Vision, IA générative et agents IA.

Un projet concret et clairement défini sera attribué au début du stage, en fonction du profil du stagiaire, de ses compétences et des priorités métier de l'équipe Data Market.

Réalisations clés attendues

• Compréhension du besoin métier et des données (Business & Data Understanding) : comprendre et formaliser les besoins métier, identifier les sources de données pertinentes et évaluer leur qualité, leur pertinence et leurs limites.
• Préparation des données (Data Preparation) : collecter, nettoyer, transformer, enrichir, rapprocher et structurer les données afin de les rendre exploitables pour les analyses et les applications d'IA.
• Développement des modèles IA/ML (AI/ML Development) : sélectionner et mettre en œuvre les algorithmes et modèles appropriés en s'appuyant sur leurs fondements théoriques, leurs avantages et leurs limites, et documenter les choix méthodologiques.
• Évaluation et validation des modèles (Model Evaluation & Validation) : définir des métriques d'évaluation pertinentes, valider les performances des modèles au regard des exigences techniques et métier, et contribuer aux décisions de déploiement.
• Construction et industrialisation des pipelines IA (AI Pipeline & Industrialization) : construire, tester et automatiser des pipelines IA/ML reproductibles afin de permettre un déploiement fiable et évolutif des solutions.
• Analyse et visualisation (Analysis & Visualization) : analyser et interpréter les résultats, puis communiquer les enseignements obtenus à l'aide d'outils de visualisation et de reporting adaptés.
• Documentation et qualité (Documentation & Quality) : documenter les données, les analyses, les modèles et les pipelines, et participer aux revues techniques et métier afin de garantir la qualité des livrables.

Exemples de projets

• Prévision du marché automobile, prévision des ventes et des stocks, classification et annotation de contenus multimédias, détection de la conformité des images sur les sites des distributeurs, enrichissement des référentiels véhicules, analyse des avis et évaluations clients par NLP,...

- - - - - - - - - - - -