Architecture du Système d’Information Intégré pour la conception et la construction de centrales nucléaires
Dernière modification: 23 mars 2026
Le projet vise à concevoir et garantir la cohérence de l’architecture du Système d’Information Intégré dédié à la conception et à la construction de nouvelles centrales nucléaires. Il s’appuie sur l’alignement avec le schéma directeur de la Direction numérique, le cadre d’architecture de l’ingénierie nucléaire, ainsi que les référentiels du Groupe EDF. Les travaux incluent la supervision des interfaces internes et externes, la gestion des exigences non fonctionnelles telles que l’obsolescence, la performance et la sécurité, et la contribution à l’évolution des règles d’architecture. L’environnement s’inscrit dans une démarche d’innovation, avec l’utilisation de méthodologies modernes et la possibilité de travailler en mode agile.
Mars 2026 → En cours
Vous ciblez ce type de projet pour placer un consultant ?
Identifiez les entreprises sur des projets similaires.
9 mars 2026
23 mars 2026
Projets similaires
D'autres projets de cette entreprise qui pourraient vous intéresser
Ce projet vise le déploiement et l'administration de JFrog Artifactory pour la gestion des artefacts. L'automatisation des tâches récurrentes est assurée via Ansible et des scripts Shell. L'intégration d'Artifactory dans la chaîne DevOps permet d'optimiser la gestion des artefacts et d'améliorer les processus CI/CD en collaboration avec les équipes de développement. La supervision et l'administration des serveurs Linux (CentOS) sont réalisées, accompagnées de la rédaction de documentation technique et de la gestion des tickets et incidents.
Détection d'anomalies sur installations industrielles via des algorithmes de traitement du signal et de machine learning (CNN, RNN). Évaluation des performances des modèles sur des données réelles issues de centrales électriques. Rédaction d'une publication scientifique en collaboration avec le LAMCOS – INSA Lyon.
Déploiement de modèles de machine learning en production pour la segmentation client, la prédiction de churn (AUC 0.92) et la modélisation LTV. Conception d'un système de détection de dérive en temps réel pour le suivi de plus de 15 modèles en production. Élaboration d'un framework d'A/B testing et d'un dashboard interactif, réduisant de 60% le temps d'analyse des expérimentations. Développement de modèles de maintenance prédictive basés sur le traitement du signal et des architectures deep learning (CNN/RNN).