Une estimation sans intervalle d'incertitude est une promesse qu'on ne sait pas tenir. Ce sujet combine apprentissage automatique et recherche opérationnelle pour produire des plans de projet honnêtes — et les réviser quand la réalité s'en écarte.
Contexte
Chez B2H, découper un projet client en tâches, en estimer les durées et y affecter les bonnes personnes se fait encore à la main, de façon approximative. Les retards se découvrent tard et la replanification est coûteuse. L'objectif est un outil qui propose un plan réaliste, en quantifie le risque et se met à jour au fil du projet.
Ce que vous ferez
- Prévoir la durée des tâches avec des intervalles d'incertitude (régression quantile, prédiction conforme)
- Affecter les tâches par optimisation sous contraintes (CP-SAT, OR-Tools) : compétences, disponibilités, priorités, échéances
- Simuler le risque de retard par Monte-Carlo
- Mettre en œuvre une replanification incrémentale, qui modifie le plan existant sans tout bouleverser
- Découper automatiquement un cahier des charges en tâches estimées à l'aide d'un LLM
- Intégrer le résultat dans une vue kanban et sprints
Défis techniques
- Coupler proprement recherche opérationnelle et apprentissage automatique : les incertitudes du modèle doivent nourrir l'optimiseur
- Garder des temps de résolution compatibles avec un usage interactif
- Produire des intervalles calibrés malgré un historique de projets limité
- Rendre le plan compréhensible et modifiable par un chef de projet
Livrables
- Un prototype fonctionnel intégré à la plateforme B2H
- Un module de prévision avec intervalles calibrés et son évaluation
- Un module d'affectation et de replanification
- Une documentation technique et une démonstration
- Le rapport de fin d'études
Critères de réussite
- Erreur de prévision des durées mesurée, et couverture effective des intervalles conforme au niveau visé
- Qualité du plan généré comparée à un plan manuel sur des cas réels
- Temps de résolution mesuré selon la taille du projet
- Replanification qui limite les changements inutiles d'affectation
Environnement technique
- OR-Tools CP-SAT
- Prédiction conforme, régression quantile
- LLM
- Python, PostgreSQL
- Kanban, sprints
Profil recherché
- Étudiant(e) en dernière année d'école d'ingénieurs ou de master, en informatique ou en data
- Goût pour l'optimisation et la modélisation mathématique
- Bonne maîtrise de Python
- Sens du produit : un plan utile est un plan qu'on comprend
- Français courant et anglais technique
Modalités
- Durée : 4 à 6 mois (février – juin 2027 à titre indicatif)
- Encadrement par l'équipe technique B2H, avec un point hebdomadaire
- Intégration à la plateforme interne B2H (identité unique, bus d'événements, données partagées)
- Candidature : CV + lettre de motivation, 2 sujets maximum par candidat
- Date limite : 15/12/2026