Stage Ingénieur/Cadre/Bac +5 Pas de télétravail

Stage Pfe - Chargé d'Étude R&D - Explicabilité des Réseaux de Neurones sur Graphes pour le Réseau Électrique H/F

RTE · Puteaux (92)

L'assistant prépare ta candidature pour cette offre

  • Ton message ou ta lettre de motivation, qui parle de cette offre.
  • Les 5 questions qu'on peut te poser, avec un conseil pour chacune.
  • Un entretien d'essai : l'IA joue le recruteur.

Gratuit. Sans compte pour ta candidature, avec un compte gratuit pour l'oral.

Publiée le 17 novembre 2026 · En ligne jusqu'au 23 décembre 2026, prolongée tant que l'offre reste ouverte

Contrat
Stage
Niveau
Ingénieur/Cadre/Bac +5
Lieu
Puteaux, Île-de-France

L'offre

L'accueil s'effectue au sein d'une équipe de recherche rattachée au pôle Pilotage du réseau de la Direction R&D de RTE. Cette entité a pour rôle d'élaborer des études prospectives, d'apporter son expertise quant au système électrique et de concevoir des outils destinés à son analyse ainsi qu'à son exploitation.

RTE a créé EnerGNN, une bibliothèque en open source développée sous JAX et dédiée aux réseaux de neurones sur graphes (GNN) adaptés aux grands réseaux d'énergie. Le réseau y prend la forme d'un hyper-multigraphe hétérogène (H2MG) au sein duquel les équipements (consommations, groupes, lignes, transformateurs) forment des hyper-arêtes associées à des noeuds électriques. Employés par l'entreprise pour ajuster la tension, filtrer les défauts ou reconfigurer les postes, les modèles EnerGNN génèrent des réponses en quelques millisecondes face aux aléas d'exploitation.

Favoriser l'adoption de ces algorithmes impose d'éclairer la prise de décision en identifiant les grandeurs et éléments à l'origine des consignes. Si diverses méthodes d'explicabilité existent pour les GNN (contrefactuels, gradients, masques appris, valeurs de Shapley), elles ciblent majoritairement la classification et des graphes simples. L'application à des hyper-arêtes hétérogènes délivrant des grandeurs continues multidimensionnelles reste peu développée. De plus, leur mesure via des benchmarks artificiels manque de représentativité, et la hiérarchie des méthodes fluctue selon les métriques et bases de test.

Le projet a pour but d'implémenter des techniques d'explicabilité sur EnerGNN et d'examiner la pertinence des résultats, principalement pour le filtrage de défauts. Cette tâche consiste à évaluer rapidement la criticité de milliers d'incidents (perte d'un équipement) pour cibler les simulations détaillées sur les perturbations contraignantes. L'explication permettra d'identifier les ouvrages et injections justifiant la dangerosité retenue. D'autres cas, comme le réglage tertiaire de tension, pourront servir de comparatifs.

Tes missions

Les activités prévues durant le stage consistent à :

  • Établir un état de l'art et assimiler les approches d'explicabilité adaptées aux GNN, les méthodes de validation ainsi que le fonctionnement d'EnerGNN.
  • Caractériser une explication sur un H2MG (entités cibles telles que sévérité d'un incident ou contrainte d'ouvrage, et unités explicatives comme les noeuds, grandeurs ou composants).
  • Prendre en main l'outil pré-entraîné de tri des défauts et déterminer, avec l'appui des spécialistes du domaine, les situations, cibles et indicateurs d'évaluation.
  • Coder en JAX entre trois et quatre approches (masque appris comme GNNExplainer, gradients, gradients intégrés, occlusions d'équipements maintenant la connexité) tout en respectant les contraintes physiques des perturbations réseau.
  • Déployer ces solutions sur le filtrage de défauts et examiner les résultats obtenus selon différents critères (adéquation à des sorties continues, sobriété, temps de calcul, cohérence métier et physique).
  • Distinguer les biais propres à l'explication des défaillances réelles du modèle.
  • Restituer les observations aux experts et formuler des pistes d'optimisation à tester par de nouvelles simulations.
  • Envisager, si le calendrier le permet, la formulation d'explications contrefactuelles et l'amélioration des performances de l'outil existant.

Profil recherché

Préparation d'un diplôme de niveau Bac +5 (dernière année d'école d'ingénieurs ou Master) avec une spécialisation en mathématiques appliquées, intelligence artificielle ou machine learning/deep learning, accompagnée d'un fort intérêt pour le milieu de la recherche.

Profil recherché :

  • Maîtrise de la programmation en Python et pratique du génie logiciel (tests, Git).
  • Compétences affirmées en apprentissage profond (deep learning).
  • Esprit de synthèse, capacités d'analyse et aisance relationnelle à l'écrit comme à l'oral.
  • Sens du travail en équipe, curiosité et force de proposition.
  • Aptitude à lire et rédiger en anglais.
  • Un attrait pour l'open source ainsi qu'une maîtrise de JAX constituent des atouts appréciés.
  • Une première pratique de l'explicabilité ou des GNN représentera un plus.
  • Des bases concernant le système électrique et le secteur de l'énergie seront valorisées (les principes nécessaires tels que les sensibilités et le load flow pourront être assimilés pendant le stage).

Bon à savoir

Informations pratiques et environnement de travail :

  • Lieu : 7c place du dôme, 92800 PARIS LA DEFENSE.
  • Durée : 6 mois.
  • Indemnité mensuelle déterminée selon le niveau de formation préparé.
  • Suivi assuré tout au long de la période par un tuteur dédié.
  • Congés rémunérés accordés dans la limite de 5 jours en fonction du temps de présence.
  • Prise en charge des titres de transport, indemnité de restauration et aide au logement attribuée sous conditions.
  • Possibilités de continuité professionnelle après le stage (embauche directe ou cursus doctoral en thèse).
  • Projets opérationnels orientés vers l'avenir.

Conformément aux articles R1332-22-1 et suivants du Code de la Défense, une enquête administrative menée par l'autorité compétente pourra être sollicitée par RTE pour s'assurer de la compatibilité de la situation du candidat avec l'accès à certains sites de l'entreprise.

Offres proches