Paul FOLTZER

Stage de recherche — apprentissage profond économe en données pour la détection de défauts en tomographie industrielle

University of Bradford — laboratoire Smart Manufacturing · Bradford, Royaume-Uni

Projet de recherche mené de bout en bout au sein de la Faculty of Engineering & Digital Technologies, encadré par le Pr. Ciprian Daniel Neagu (groupe de recherche en IA — AIRE). Question de départ : combien de données industrielles réelles faut-il pour segmenter automatiquement des défauts internes en tomographie à rayons X, et dans quelle mesure un pré-entraînement médical ou des données fabriquées sur mesure permettent-ils d'en réduire le besoin ?

• Conception d'un pipeline de génération automatique de données annotées : génération paramétrique de pièces de test en Python (trimesh), impression 3D à 100 % de remplissage, acquisition tomographique, puis dérivation de la vérité terrain par seuillage d'intensité — 90 pièces annotées sans aucune annotation manuelle ni recalage CAO.
• Entraînement de l'architecture Swin-UNETR (PyTorch / MONAI) pour la segmentation volumique 3D : correction d'un déséquilibre de classes extrême, gel puis dégel de l'encodeur, inférence par fenêtre glissante sur des volumes de plusieurs milliards de voxels. Dice porté de 0,33 à 0,53 sur le jeu médical de calibration.
• Comparaison contrôlée de trois stratégies d'initialisation (aléatoire, auto-supervisée, auto-supervisée + affinage médical) et tracé d'une courbe d'efficacité en données de 5 à 63 pièces, avec graines multiples et tests de Wilcoxon appariés.
• Résultat principal, validé sur neuf pièces industrielles réelles en validation croisée leave-one-out : affiner sur 7 pièces réelles multiplie le Dice par 1,8 à 2,1 par rapport à un entraînement sur neuf fois plus de données de substitution.
• Rédaction d'un article de recherche en anglais (13 pages) — « Data-Efficient Industrial CT Defect Segmentation via Self-Supervised and Cross-Domain Pretraining », en cours d'évaluation — et présentation hebdomadaire des résultats aux encadrants, en anglais.

Stage — département Supply Chain

Legrand

Premier contact avec la donnée industrielle en entreprise, du côté de la logistique plutôt que de la technique : comprendre comment un groupe pilote ses stocks, et ce qu'il gagnerait à changer de méthode.

• Gestion et exploitation des données de stock sous B2Wise et Excel.
• Analyse de la rentabilité potentielle d'un passage au DDMRP (planification pilotée par la demande réelle plutôt que par les prévisions).

Professeur particulier

Cours à domicile

Quatre années de cours particuliers menées en parallèle de la prépa puis de l'école : expliquer clairement, s'adapter au niveau de chacun et tenir un engagement sur la durée.

Cycle ingénieur ISMIN — majeure Systèmes embarqués & Sécurité des architectures numériques et de l'IA

Mines Saint-Étienne (EMSE) · Campus Georges Charpak Provence, Gardanne

Majeure choisie à l'issue du stage de recherche, dans la perspective de l'edge AI : exécuter des modèles d'intelligence artificielle au plus près du matériel, sous contraintes de mémoire, de calcul et d'énergie.

Classe préparatoire aux grandes écoles — filière MP (mathématiques et physique)

Lycée Gay-Lussac · Limoges

Formation intensive en mathématiques, physique et sciences de l'ingénieur, préparant les concours d'entrée aux écoles d'ingénieurs.