🚀 STAGE 2026 "Uncertainty Quantification for a Neural Network for Flight Control System"

Job Description:
Envie de déployer vos ailes ? Et si votre aventure commençait avec nous ?
Quel que soit le métier de vos rêves, nous avons peut-être le stage qu il vous faut !
Vous êtes étudiant(e) et à la recherche d'un stage vous permettant de valider votre diplôme et qui fera décoller votre carrière ? Imaginez-vous au cœur d une entreprise reconnue à l international, implantée sur tous les continents du monde et riche d une diversité de parcours, d expertise et de culture. Tournée vers le digital, à la pointe de la recherche et de l innovation, vous avez l opportunité de faire partie de cette aventure passionnante.
Votre mission, si vous l'acceptez :
Une offre de stage intitulée Quantification de l'incertitude d'un capteur virtuel basé sur un réseau de neurones pour les commandes de vol vient de s'ouvrir au sein d' Airbus Operations S.A.S . sur son site de Saint-Martin, à Toulouse, en France . Vous rejoindrez le département Aircraft Control Integration (1YCI) en charge des activités d intégration pour le périmètre des commandes de vol, au sein de l Engineering pour la division Aircraft Commercial. Ce département couvre, entre autres, l'expertise technique nécessaire à la transformation numérique des applications liées au contrôle des avions (notamment l'analyse de données et l'intelligence artificielle). Le stage sera également co-encadré par le domaine 1XRD (domaine Intelligence Artificielle, au sein de l'équipe R&T centrale d'Airbus).
Voici des éléments concernant votre stage:
Les avions civils sont des produits très complexes, équipés de nombreux capteurs de natures diverses pour différents systèmes : commandes de vol, train d'atterrissage, air, carburant, etc. Ces capteurs servent principalement au contrôle, mais aussi à la surveillance des systèmes, c'est-à-dire à la détection d'éventuels comportements anormaux susceptibles d'impacter leur fiabilité et leur sécurité. Les techniques traditionnelles de détection de ces défauts et pannes reposent sur le traitement du signal et le contrôle. Les deux principales familles de techniques peuvent également être classées en approches basées sur les données et en techniques basées sur les modèles.
Récemment, les approches basées sur des modèles et utilisant des capteurs virtuels (aussi appelés capteurs synthétiques) ont gagné en popularité. L'idée est de développer un modèle qui, s'il est suffisamment précis, fournira les mêmes mesures qu'un capteur réel en conditions de fonctionnement normales et sans défaut. Ce capteur virtuel permet de détecter les défauts/défaillances du capteur réel correspondant grâce à des techniques de fusion de données, et potentiellement de remplacer ce capteur en cas de perte totale de ses mesures.
Plus récemment, les techniques d'apprentissage automatique supervisé offrent des perspectives intéressantes pour le développement de tels capteurs synthétiques, notamment en exploitant les réseaux de neurones (RN). Cependant, les données utilisées pour entraîner ces modèles sont souvent imparfaites ce qui dégrade la qualité des prédictions. De plus, les RN peuvent se comporter de manière imprévisible sur des entrées qui s'écartent significativement des données d'entraînement. La quantification de l'incertitude prédictive pour le déploiement de RN dans des applications critiques constitue donc un défi majeur. En vue d'intégrer ces capteurs virtuels basés sur les réseaux neuronaux à bord de l'avion, nous devrons prouver que les incertitudes sont bien calibrées et fiables, ce qui nous permettra de distinguer les situations où le capteur virtuel est fiable et celles où il ne l'est pas.
Dans le monde universitaire, ces techniques relèvent de l'apprentissage automatique probabiliste et de la quantification de l'incertitude (UQ). L'objectif principal est de construire des modèles qui capturent, décomposent et propagent l'incertitude en apprenant des distributions de probabilité complètes sur les paramètres et les prédictions. Ce cadre unifié permet une inférence raisonnée, des prédictions bien calibrées et une prise de décision robuste dans les systèmes non linéaires complexes.
Ce stage, d'une durée de 6 mois , débutera idéalement en Février 2026 (cette période est indicative et pourra être ajustée).
Vos principales missions consisteront à :

• Étude des techniques de QU dans un cas d'utilisation industriel, lié au système de commande de vol
• Découverte du système de commande de vol et du cas d'utilisation sélectionné
• Étude bibliographique sur la QU dans le contexte des réseaux de neurones
• Application des techniques de QU les plus couramment utilisées au cas d'utilisation sélectionné
• Évaluation comparative des différentes techniques
• Conclusions et travaux futurs

Votre tuteur vous accompagnera tout au long de votre stage, vous aidant à développer vos compétences et à atteindre vos objectifs professionnels.
Ce stage vous permettra notamment de développer les compétences suivantes :

• Connaissances générales en contrôle des aéronefs
• Conception de réseaux neuronaux et de capteurs virtuels
• Détection de pannes
• Apprentissage automatique probabiliste et quantification des incertitudes (UQ)
• Communication et rédaction de rapports techniques

Votre carte d embarquement pour cette aventure :
Vous êtes actuellement en Bac+5 en Ingénierie aéronautique ou Informatique.
Vous possédez idéalement les compétences suivantes :
Compétences techniques :

• Ingénierie des systèmes, avec une spécialisation en science des données
• Intérêt marqué pour les mathématiques, les statistiques, la science des données et les techniques d'intelligence artificielle
• Connaissances de base en analyse de données, notamment en méthodes statistiques (notamment la régression et l'apprentissage automatique)
• Une connaissance de base de la modélisation probabiliste en apprentissage automatique (comme la régression hétéroscédastique) serait un plus
• Maîtrise d'outils tels que Python et PyTorch

Soft Skills :

• Excellentes compétences en communication et en collaboration
• Capacité à résoudre des problèmes complexes
• Esprit d'équipe, proactivité, autonomie

Langues :

• Anglais : Avancé
• Français : Avancé

Notre processus de recrutement :
Votre candidature sera analysée attentivement par notre équipe de recrutement. Si votre profil correspond à nos attentes, vous serez invité(e) à réaliser un entretien vidéo. Suite à cette étape, si votre candidature est retenue, elle sera alors proposée au manager pour un entretien.
Envie de faire partie de l'aventure Airbus ? Postulez dès maintenant et rejoignez-nous !

Feeling ready to spread your wings ? What if your adventure started with us ?!
Whatever your dream job, we might have the internship for you !
Are you a student looking for an internship that will validate your degree and launch your career ? Imagine yourself at the heart of an internationally recognized company , established on every continent, and rich in diverse backgrounds, expertise, and cultures.
Focused on digital and at the forefront of research and innovation , you have the opportunity to be part of this exciting adventure.
Your mission :
An internship opportunity titled : Uncertainty Quantification of a Neural Network-Based Virtual Sensor for a Civil Aircraft Flight Control System has just opened at A irbus Operations S.A.S. located in Toulouse - Saint-Martin, France. You will join the department in charge of Aircraft Control Integration (1YCI) , which also includes the technical expertise needed for the Digital Transformation of applications concerning Aircraft control (namely Data Analytics and Artificial Intelligence). The internship will also be co-supervised by the 1XRD domain (Artificial Intelligence domain, as part of the Airbus Central R&T Team).
Internship technical description:
Civil aircraft are highly complex products, equipped with plenty of sensors of different natures for different systems: flight control, landing gear, air, fuel, etc These sensors are mainly used to control but also to monitor the systems, i.e. to detect any abnormal behaviour that could, under some circumstances, impact the reliability and the safety of the systems. Traditional techniques to detect these faults and failures are based on signal processing and control techniques. The two main families of techniques can also be categorized into data-driven techniques and model-based techniques.
Recently, model-based approaches based on virtual sensors (a.k.a. synthetic sensors) have gained popularity. The idea is to develop a model that, if sufficiently accurate, will output the same readings a real sensor would produce under normal, fault-free operating conditions.
This virtual sensor allows to detect faults/failures of the corresponding real sensor by using data fusion techniques, and potentially to replace this sensor in case of complete loss of the sensor measurement.
More recently, supervised machine-learning techniques offer appealing avenues for developing such synthetic sensors, in particular by leveraging Neural Networks (NN). However . click apply for full job details