DSI 008 Direction Systèmes d’Information Sujet : Pipeline de prévision des séries temporelles journalières et mensuelles pour l’aide à la décision PFE

Contexte et objectif

• Déployer un pipeline de prévision robuste pour des séries temporelles journalières et mensuelles afin d’anticiper la prise de décision.
• Permettre la production de prévisions opérationnelles avec intervalles d’incertitude et un suivi continu pour une exploitation durable.

Missions principales

• Préparation et nettoyage des données historiques, ingestion et alignement des séries temporelles (journalières et mensuelles).
• Enrichissement des données par des variables externes (calendrier, météo, indicateurs économiques, etc.) et feature engineering ciblé.
• Comparaison et validation de modèles de Machine Learning et Deep Learning via backtesting (métriques robustes, splits temporels, tests de stabilité).
• Production de prévisions avec estimation d’incertitude, packaging des modèles et exposition via API (FastAPI/RestAPI) pour intégration.
• Mise en place d’un tableau de bord interactif pour la diffusion des résultats, et d’un monitoring + stratégie de recalibrage automatique.

Technologies et compétences requises

• Maîtrise de Python, bibliothèques ML/DL, feature engineering et techniques de backtesting pour séries temporelles.
• Connaissances en statistiques appliquées, AI / Data Science et bonnes pratiques de modélisation temporelle.
• Expérience avec Mlflow (tracking/modèle), conteneurisation (Docker), Git, et outils de déploiement d’API (FastAPI/RestAPI).
• Compétences en dashboarding et monitoring (outils de dashboard, alerting), et sens de l’industrialisation (CI/CD, reproductibilité).

Livrables attendus

• Pipeline reproductible de prévision incluant préparation des données, entraînement, backtesting et packaging des modèles.
• Jeux de modèles comparés (ML et DL) avec rapport de performance, intervalles d’incertitude et recommandations pour la production.
• API pour servir les prévisions, tableau de bord interactif pour visualiser résultats et indicateurs, et module de monitoring + recalibrage.
• Documentation technique complète, scripts de déploiement Docker et artefacts MLflow.

Conditions et encadrement

• Niveau attendu : Bac +5 (Cycle ingénieur ou master).
• Durée du stage : 6 mois (4-6 months selon la convention).
• Entité d’accueil : Data et IA Factory - Systèmes d’information décisionnel.
• Nombre de stagiaires requis : 1.

Candidature

• Pour postuler : Formulaire / lien de candidature.
• Objet à préciser lors de l’envoi : "Candidature PFE - DSI 008 Pipeline de prévision des séries temporelles".