Système de détection d'anomalies sur lignes d'emboutissage automobile
Aperçu
En quoi consiste ce défi.
Construisez un pipeline de features, un modèle non supervisé et un tableau de bord de monitoring pour décrocher votre certificat vérifiable.
Le brief
Ce que vous ferez, et ce que vous démontrerez.
Les défauts d'emboutissage ne sont détectés qu'après production complète de la pièce, alors que les signaux capteurs contiennent des indicateurs précoces de dérive du procédé qui pourraient permettre une intervention corrective avant le défaut.
Earning criteria — what you'll demonstrate
- Construire un pipeline de variables à partir de signaux temporels industriels (fenêtres glissantes, statistiques d'ordre, indicateurs fréquentiels)
- Implémenter et évaluer des modèles de détection d'anomalies non supervisés dans un contexte où les exemples anormaux sont rares
- Mettre en place un mécanisme de détection de dérive des données (changement progressif de la distribution des variables d'entrée) avec alertes automatiques
- Concevoir un système de monitoring ML qui permet aux opérateurs non techniques de comprendre et d'agir sur les alertes
- Évaluer un système de détection dans un contexte à fort déséquilibre où les fausses alertes ont un coût opérationnel réel
Adéquation au programme
Où cela s'inscrit dans votre cursus.
Renforce les mêmes compétences que celles attendues par votre diplôme.
Cursus associés bientôt disponibles.
Compétences
Les compétences que vous démontrerez.
Chacune apparaît sur votre certificat vérifié.
Débouchés
Les métiers auxquels ce défi vous prépare.
De vrais intitulés. De vraies passerelles de compétences. Choisissez celui qui se rapproche le plus de votre trajectoire.
Les parcours de carrière que ce défi construit
Métiers de référenceIngénieur MLOps
La mise en place d'un pipeline de features automatisé, d'un système de monitoring et d'un mécanisme de détection de dérive avec réentraînement constitue le cœur du travail MLOps en environnement industriel.
Ce défi renforce
- feature-pipelines
- drift-detection-auto-retraining
- model-monitoring
Data Scientist (Senior)
Ce défi exige la maîtrise de la détection d'anomalies non supervisée, l'analyse de signaux industriels et la calibration de seuils sous contraintes métier, compétences attendues d'un data scientist senior en milieu manufacturier.
Ce défi renforce
- anomaly-detection
- model-evaluation
- feature-pipelines
Ingénieur IoT Data Scientist
L'extraction de features à partir de flux de capteurs industriels et la construction d'alertes en temps quasi réel reproduisent le quotidien d'un data scientist spécialisé dans l'Internet des Objets (IoT) industriel.
Ce défi renforce
- anomaly-detection
- feature-pipelines
- model-monitoring