Les méthodes classiques d'estimation de la durée de vie utile restante (Remaining Useful Life) proposent une distribution de probabilité du risque de défaillance, qui permet en conséquence de donner une probabilité de défaillance avant chaque instant. Cependant, les méthodes récentes d'apprentissage automatique, qui utilisent des modèles plus complexes pour mieux comprendre les liens de causalité éventuelle entre les données disponibles et l'indicateur ciblé, proposent uniquement une régression. Dans cet article, nous introduisons une transformation de la valeur de sortie d'un régresseur basée sur l'apprentissage automatique en le complétant par un autre qui, en parallèle, calcule l'erreur estimée de ce modèle et l'utilise pour créer une distribution grâce à une loi de Weibull. Cette approche, appelée double-ML-Weibull, est un bien meilleur outil pour proposer une simulation dans un contexte stochastique, au lieu d'utiliser telles quelles des valeurs scalaires comme la "Mean Time To Failure" ou la "Mean Time Between Failure".