English version below.
Aperçu de votre journée
Mettre en place une démarche structurée d’identification, de test et d’intégration de solutions d’intelligence artificielle adaptées aux besoins des équipes d’ingénierie charges et aéroélasticité. L’objectif est de cartographier l’état de l’art des modèles IA, d’identifier les solutions disponibles ou non au sein de Siemens Energy, de les relier à des cas d’usage concrets, puis d’évaluer leurs performances, limites et conditions d’utilisation dans des workflows d’ingénierie réels.
Le stage devra contribuer à démontrer, à travers des preuves de concept pragmatiques, comment l’IA peut améliorer l’efficacité, l’automatisation, la capitalisation des connaissances et la qualité des analyses techniques.
________________________________________
Comment vous aurez un impact
1. Réaliser une cartographie de l’état de l’art des modèles et technologies d’intelligence artificielle pertinents pour les activités d’ingénierie : modèles de langage, assistants documentaires, génération de code, agents IA, outils de recherche augmentée, analyse de données et automatisation.
2. Identifir les solutions IA actuellement disponibles au sein de Siemens Energy, celles non disponibles ou restreintes, et clarifier leurs contraintes d’usage, limites techniques, règles de confidentialité et domaines d’application possibles.
3. Collaborer avec les ingénieurs charges, aéroélasticité et modélisation afin de comprendre les besoins métier, les workflows existants, les irritants opérationnels et les opportunités d’amélioration par l’IA.
4. Traduire les besoins métier en cas d’usage IA concrets, en distinguant les applications à forte valeur ajoutée, les cas peu adaptés à l’IA, et les cas nécessitant des précautions particulières en termes de validation technique.
5. Contribuer à l’identification et à la priorisation de cas d’usage où l’IA peut améliorer l’efficacité, l’automatisation, la recherche d’information, la documentation, la génération de scripts, la comparaison de résultats ou la capitalisation de connaissances.
6. Développer des scripts, prototypes ou outils simples permettant d’intégrer des modèles IA dans des workflows d’ingénierie existants, notamment pour la recherche documentaire, la génération de code, l’analyse de résultats ou l’automatisation de tâches répétitives.
7. Tester et valider les modèles IA sur des données de simulation, des documents techniques et des cas projet réels, en comparant les résultats obtenus avec les méthodes traditionnelles ou les analyses réalisées par les ingénieurs.
8. Benchmarking des différentes approches IA entre elles : modèles disponibles en interne, solutions externes autorisées, modèles de langage, approches RAG, agents IA, génération de code et outils d’assistance documentaire.
9. Documenter les performances des modèles, leurs limites, leurs erreurs typiques, leur niveau de robustesse, leurs risques d’hallucination et les bonnes pratiques nécessaires pour une utilisation fiable dans un contexte d’ingénierie critique.
10. Construire avec les ingénieurs des preuves de concept ciblées, par exemple :
- un chatbot connecté aux turbine data sheets, au product directory et aux dossiers de documentation, capable de répondre à des questions techniques sur les turbines avec références, sources et liens vers les documents utilisés ;
- un outil exploitant les release notes de BHawC pour générer ou structurer une documentation utilisateur ;
- une assistance IA pour lire certaines parties du code BHawC et produire une première documentation technique de modules ciblés ;
- une démonstration où un article scientifique interne, par exemple sur l’unsteady background flow, est utilisé comme base pour demander à un outil IA de recréer un code de calcul, puis comparer les résultats obtenus avec le code de référence.
11. Participer à la collaboration transverse avec les équipes digital, IT, data, engineering et architecture logicielle afin d’aligner les preuves de concept avec les contraintes internes, les outils disponibles et les règles de gouvernance des données.
12. Collecter le retour d’expérience des tests pilotes, formaliser les enseignements, préparer des supports de partage de connaissances et contribuer à diffuser les bonnes pratiques IA au sein de l’équipe.
13. Présenter régulièrement les résultats, limites, recommandations et propositions de cas d’usage lors de réunions techniques avec les parties prenantes.
________________________________________
Livrables :
- Cartographie structurée des technologies IA pertinentes pour les activités charges, aéroélasticité et modélisation, incluant les solutions disponibles dans Siemens Energy et leurs restrictions d’usage.
- Liste priorisée de cas d’usage IA pour l’équipe, avec estimation de la valeur ajoutée, faisabilité, risques, limites et prérequis de validation.
- Un ou plusieurs prototypes ou preuves de concept fonctionnels, par exemple chatbot documentaire turbine, assistant de documentation BHawC, outil d’aide à la génération de code ou workflow de comparaison IA / calcul traditionnel.
- Scripts, notebooks ou outils d’intégration permettant de tester les modèles IA sur des documents techniques, données de simulation ou cas projet.
- Rapport de benchmark comparant différentes approches IA et méthodes classiques sur des critères de précision, robustesse, traçabilité, temps gagné et facilité d’intégration.
- Documentation des limites, risques d’erreur, règles de validation et bonnes pratiques pour l’utilisation de l’IA dans un contexte d’ingénierie charges.
- Supports de présentation et sessions de partage de connaissances pour diffuser les résultats et le retour d’expérience auprès de l’équipe.
________________________________________
Critères de succès :
- Cartographie claire et exploitable des solutions IA pertinentes, disponibles ou non disponibles au sein de Siemens Energy.
- Cas d’usage concrets définis avec les ingénieurs, reliés à des besoins métier réels et priorisés selon leur valeur et leur faisabilité.
- Démonstration d’au moins une preuve de concept apportant une valeur mesurable : gain de temps, amélioration de l’accès à l’information, automatisation d’une tâche ou meilleure capitalisation des connaissances.
- Comparaison documentée entre résultats IA et méthodes traditionnelles ou références d’ingénierie existantes.
- Identification claire des limites techniques, risques d’hallucination, besoins de validation et conditions nécessaires pour une utilisation fiable.
- Documentation permettant à l’équipe de réutiliser les prototypes, comprendre les résultats et poursuivre les développements après le stage.
________________________________________
Ce que vous apportez
- Étudiant(e) en dernière année de cycle ingénieur ou Master 2 dans une grande école ou université reconnue : CentraleSupélec, École Polytechnique, ENSTA, ISAE-Supaero, Arts et Métiers, IMT Atlantique, INSA, UTC, ENPC – École des Ponts ParisTech, Mines Paris, Centrale Lyon/Nantes, ENSAE, Télécom Paris, ou programme international équivalent.
- Formation en ingénierie, data science, intelligence artificielle, mathématiques appliquées, informatique scientifique, mécanique ou énergie.
- Fort intérêt pour l’application concrète de l’IA à des problèmes d’ingénierie industrielle.
- Bonne maîtrise de Python ; une expérience avec MATLAB, Git, notebooks, APIs, bases documentaires, outils RAG ou modèles de langage est un plus.
- Capacité à comprendre des documents techniques, du code scientifique et des workflows d’ingénierie.
- Intérêt pour les charges d’éoliennes, l’aéroélasticité, la simulation numérique ou les outils de calcul industriels.
- Rigueur, esprit critique et capacité à distinguer une démonstration IA séduisante d’un résultat réellement validé et utilisable.
- Bonne capacité de communication pour échanger avec des ingénieurs, équipes IT, digital et data.
- Anglais courant requis ; le français est un plus.
Qui est Siemens Gamesa ?
Siemens Gamesa fait partie de Siemens Energy, leader mondial des technologies énergétiques avec plus de 150 ans d’innovation. Ensemble, nous nous engageons à rendre l’énergie durable, fiable et abordable en repoussant les limites du possible.
Acteur majeur de l’industrie éolienne et fabricant d’éoliennes, nous sommes engagés dans la transition énergétique et proposons des solutions innovantes pour répondre à la demande énergétique croissante à l’échelle mondiale.
Chez Siemens Gamesa, nous sommes constamment à la recherche de talents pour soutenir notre mission de transformation énergétique.
Notre engagement en faveur de la diversité
Heureusement pour nous, nous sommes tous différents. La diversité est notre moteur. Il fonctionne à l’inclusion, et notre énergie créatrice combinée est alimentée par plus de 130 nationalités. Siemens Energy célèbre la personnalité de chacun - quels que soient son origine ethnique, son genre, son âge, sa religion, son identité ou son handicap. Nous donnons de l’énergie à la société, à toute la société, et nous ne discriminons pas sur la base de nos différences.
________________________________________
ENGLISH
Objective:
To develop a structured approach for identifying, testing and integrating artificial intelligence solutions relevant to load engineering and aeroelasticity teams. The objective is to map the current state of the art in AI models and technologies, identify which solutions are currently available or unavailable within Siemens Energy, connect them to concrete engineering use cases, and assess their performance, limitations and conditions of use in real engineering workflows.
The internship will contribute to demonstrating, through pragmatic proof-of-concepts, how AI can improve efficiency, automation, knowledge management and the quality of technical analyses.
________________________________________
Scope of Work:
1. Map the current state of the art of AI models and technologies relevant to engineering activities, including large language models, documentation assistants, code generation tools, AI agents, retrieval-augmented generation, data analysis and automation tools.
2. Identify AI solutions currently available within Siemens Energy, solutions that are not available or restricted, and clarify their usage constraints, technical limitations, confidentiality rules and possible application areas.
3. Collaborate with load engineers, aeroelasticity specialists and modelling engineers to understand domain-specific requirements, existing workflows, operational pain points and opportunities for AI-based improvement.
4. Translate engineering needs into concrete AI use cases, distinguishing high-value applications, cases where AI is not appropriate, and cases requiring specific technical validation precautions.
5. Support the identification and prioritisation of use cases where AI can improve efficiency, automation, information retrieval, documentation, script generation, result comparison or knowledge capitalisation.
6. Develop scripts, prototypes or lightweight tools to integrate AI models into existing engineering workflows, especially for documentation search, code generation, result analysis and automation of repetitive tasks.
7. Test and validate AI models against simulation data, technical documentation and real project cases, comparing AI-generated outputs with traditional methods or engineer-validated references.
8. Benchmark different AI approaches against each other, including internally available models, authorised external solutions, language models, RAG-based approaches, AI agents, code generation tools and documentation assistants.
9. Monitor and document model performance, limitations, typical errors, robustness, hallucination risks and the good practices required for reliable use in a critical engineering context.
10. Build targeted proof-of-concepts together with engineers, for example:
- a chatbot connected to turbine data sheets, the product directory and documentation folders, able to answer technical questions about turbines with references, sources and links to the relevant documents used;
- a tool using BHawC release notes to generate or structure a user manual;
- an AI assistant able to read selected parts of the BHawC code and draft technical documentation for specific modules;
- a demonstration where an internal scientific paper, for example on unsteady background flow, is used as input for an AI tool to recreate the associated calculation code, followed by a one-to-one comparison with the reference implementation.
11. Participate in cross-functional collaboration with digital, IT, data, engineering and software architecture teams to align proof-of-concepts with internal constraints, available tools and data governance rules.
12. Collect feedback from pilot testing, document lessons learned, prepare knowledge-sharing material and help disseminate AI good practices within the team.
13. Regularly present results, limitations, recommendations and proposed use cases during technical meetings with project stakeholders.
________________________________________
Deliverables:
- Structured mapping of AI technologies relevant to loads, aeroelasticity and modelling activities, including solutions available within Siemens Energy and their usage restrictions.
- Prioritised list of AI use cases for the team, including expected value, feasibility, risks, limitations and validation prerequisites.
- One or several functional prototypes or proof-of-concepts, for example a turbine documentation chatbot, a BHawC documentation assistant, a code-generation support tool or an AI-versus-traditional-calculation comparison workflow.
- Scripts, notebooks or integration tools enabling AI models to be tested on technical documentation, simulation data or project cases.
- Benchmarking report comparing different AI approaches and traditional methods based on accuracy, robustness, traceability, time saving and ease of integration.
- Documentation of limitations, error risks, validation rules and good practices for the use of AI in a load engineering context.
- Presentation material and knowledge-sharing sessions to disseminate results and hands-on experience across the team.
________________________________________
Success Criteria:
- Clear and actionable mapping of relevant AI solutions, including those available and unavailable within Siemens Energy.
- Concrete use cases defined with engineers, linked to real business needs and prioritised according to value and feasibility.
- Demonstration of at least one proof-of-concept providing measurable value, such as time saving, improved access to information, task automation or better knowledge capitalisation.
- Documented comparison between AI-generated outputs and traditional methods or existing engineering references.
- Clear identification of technical limitations, hallucination risks, validation needs and conditions required for reliable use.
- Documentation enabling the team to reuse the prototypes, understand the results and continue development after the internship.
________________________________________
Candidate Profile:
- Master’s student in the final year of an engineering school or university programme, for example CentraleSupélec, École Polytechnique, ENSTA, ISAE-Supaero, Arts et Métiers, IMT Atlantique, INSA, UTC, ENPC – École des Ponts ParisTech, Mines Paris, Centrale Lyon/Nantes, ENSAE, Télécom Paris, or an equivalent international programme.
- Background in engineering, data science, artificial intelligence, applied mathematics, scientific computing, mechanical engineering or energy.
- Strong interest in the practical application of AI to industrial engineering problems.
- Good command of Python; experience with MATLAB, Git, notebooks, APIs, documentation databases, RAG tools or large language models is an advantage.
- Ability to understand technical documentation, scientific code and engineering workflows.
- Interest in wind turbine loads, aeroelasticity, numerical simulation or industrial calculation tools.
- Rigour, critical thinking and ability to distinguish an attractive AI demonstration from a truly validated and usable engineering result.
- Good communication skills to interact with engineering, IT, digital and data teams.
- Fluent English required; French is an advantage.
