Automatisation des activités avec des robots RPA

Le projet consiste à concevoir, développer et maintenir des applications utilisant les technologies Big Data et Data Viz pour les différents métiers de Transilien, tels que l'information voyageurs, la production et la distribution. L'équipe gère à la fois le BUILD et le RUN de ces applicatifs, en s'appuyant sur des ateliers de conception technico-fonctionnels, le développement de code, la gestion des anomalies, la participation à des cérémonies agiles, et la collaboration avec d'autres développeurs. Le projet implique également la mise en œuvre de tests automatisés, la modélisation des données, et l'utilisation de solutions cloud et d'outils de déploiement.

Le projet vise à déployer et adapter l’outil OCTOPUS, dédié à la gestion de l’offre de transport ferrée et routière, pour répondre aux besoins spécifiques de Transilien. Dans un contexte d’évolution du modèle industriel de la zone dense et d’intensification des travaux sur le réseau, OCTOPUS permet d’optimiser la conception, l’adaptation et la fiabilisation des données de l’offre de transport. L’outil facilite la coordination entre opérateurs, gestionnaires d’infrastructure et services de circulation, tout en intégrant les exigences croissantes des usagers et des autorités de régulation. Les principales activités incluent la validation des développements, l’organisation et le suivi des campagnes de tests et de recette, la définition des plans de tests, la gestion des anomalies, ainsi que l’accompagnement méthodologique du chef de projet et l’appui aux ateliers de conception fonctionnelle. Le projet s’appuie sur une collaboration étroite avec les équipes internes et les parties prenantes pour assurer l’intégration et l’appropriation de la solution OCTOPUS.

Le projet vise à fiabiliser l'information sur les temps d'attente pour les voyageurs du réseau Transilien, qui compte 3,4 millions d'usagers quotidiens, 6000 trains par jour et 390 gares. L'approche repose sur l'utilisation de LightGBM pour traiter de grands volumes de données, l'optimisation des hyperparamètres avec Optuna, le lissage des prédictions via Seed Averaging sur cinq graines afin de stabiliser les résultats, et la calibration des prédictions par gare pour corriger les biais systématiques. Ce travail permet de réduire significativement l'écart entre les temps d'attente affichés et réels.LightGBM pour la modélisation rapide et efficaceOptimisation automatisée avec OptunaSeed Averaging pour réduire la varianceCalibration post-processing par gareLe projet se distingue par une MAE réduite à 0,6214 et une 2ème place au classement universitaire, ainsi qu'une 7ème place sur 521 équipes au classement global.