Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LIB (Laboratoire Informatique de Bourgogne)
Durée : 36 mois
Contact : ana-maria.roxin@ube.fr
Date limite de publication : 2026-07-31

Contexte :
Contexte général : Le sujet s’inscrit dans le cadre du projet IGNIS (Intelligent System for Gunshot Residue Classification), porté conjointement par le Laboratoire d’Informatique de Bourgogne (LIB), l’Institut de Mathématiques de Bourgogne (IMB) et le Service National de la Police Scientifique (SNPS). Le projet IGNIS vise le conception d’un système de classification automatique et explicable des résidus de tir observés par microscopie électronique à balayage couplée à la spectrométrie dispersive en énergie (MEB-EDX). L’environnement de recherche est interdisciplinaire, à l’interface entre intelligence artificielle, représentation des connaissances, apprentissage automatique, statistique, optimisation et criminalistique. Il bénéficie d’un accès à des données réelles issues des laboratoires du SNPS.
Contexte scientifique : Les résidus de tir sont des particules issues du tir d’une arme à feu, constituées de composants inorganiques et organiques provenant des munitions. Leur analyse par MEB-EDX est aujourd’hui considérée comme la technique de référence, car elle permet d’observer la morphologie des particules et d’estimer leur composition élémentaire, en s’appuyant notamment sur le cadre normatif ASTM E1588-20. Dans la pratique, la classification des particules de résidus de tir repose sur une première phase d’analyse automatique, suivie d’une validation manuelle par un expert du SNPS. Cette situation soulève plusieurs verrous scientifiques : (1) la formalisation de la connaissance experte mobilisée lors de la validation des particules ; (2) la robustesse des modèles d’apprentissage, fortement dépendante de la qualité, de la représentativité et de l’évolution des données, notamment avec l’émergence de nouvelles munitions et de compositions sans plomb ; (3) l’explicabilité, centrale dans un contexte judiciaire.
La thèse vise à dépasser ces limites en proposant une approche IA neuro-symbolique capable non seulement de classer les particules, mais aussi d’expliquer ses décisions dans un langage compatible avec l’expertise métier. L’originalité scientifique du projet réside dans l’intégration d’une représentation formelle des connaissances criminalistiques au sein d’une architecture neuro-symbolique permettant de combiner l’apprentissage à partir des données et le raisonnement explicite fondé sur des connaissances expertes.

Sujet :
La thèse s’attachera à répondre à la question suivante : comment concevoir un système d’intelligence artificielle neuro-symbolique capable de classifier automatiquement des particules de résidus de tir de manière fiable, adaptable et explicable, tout en respectant les contraintes scientifiques, opérationnelles et judiciaires propres à la criminalistique ? Cette problématique générale se décline en plusieurs questions de recherche : – Comment représenter formellement les connaissances expertes relatives aux résidus de tir, en intégrant normes ASTM, critères morphologiques, compositions élémentaires et règles métier, au sein d’une base de connaissances exploitable par une machine ?
– Comment articuler cette représentation symbolique avec des modèles d’apprentissage pour affiner les règles de classification existantes, d’apprendre de nouvelles classes ou sous-classes de particules et de maintenir la robustesse du système?
– Comment produire des explications compréhensibles et acceptables par les experts du SNPS, en combinant raisonnement symbolique, méthodes d’explication post-hoc et analyse de sensibilité ?
– Comment évaluer un tel système non seulement en termes de précision algorithmique, mais aussi en termes d’utilité métier, en sécurité d’intégration, en reproductibilité et en potentiel de transfert vers d’autres laboratoires ?
Les travaux envisagés s’articulent autour de cinq volets : (1) la conception d’une ontologie formalisant les connaissances relatives aux particles, leurs compositions élémentaires, les classes ASTM et les règles d’interprétation des experts SNPS ; (2) nettoyage, structuration et intégration des données fournies par le SNPS dans la base de connaissances dédiée aux résidus de tir ; (3) la conception d’un moteur de règles et d’un classificateur hybride capables de combiner contraintes symboliques, apprentissage automatique et adaptation à l’évolution des compositions de munitions ; (4) l’intégration d’un module d’explicabilité, fondé sur des approches comme SHAP ou LIME ; (5) la validation expérimentale sur les jeux de données fournis par le SNPS, avec évaluation de la robustesse, de la précision, et du gain métier.
La thèse s’inscrit dans une dynamique de transfert, les résultats de classification étant destinés à être intégrés dans le processus du SNPS. Une attention particulière sera portée à la sécurité des données, à la reproductibilité et à l’appropriation par les utilisateurs finaux. Le projet vise explicitement un système plus fiable, plus rapide et plus transparent, afin de réduire le temps d’expertise et d’augmenter la capacité de traitement des laboratoires du SNPS. Une part importante du travail doctoral consistera donc à faire dialoguer les exigences de la recherche en IA avec les contraintes de la criminalistique.

Profil du candidat :
Les candidats doivent être titulaires d’un Master 2 ou d’un diplôme d’ingénieur en informatique, intelligence artificielle, science des données, ou mathématiques appliquées. Les candidats doivent avoir un bon niveau en français et en anglais (niveau min. C1).
Les candidats doivent avoir un intérêt pour la recherche, un solide bagage scientifique, et des compétences en programmation. Des compétences en apprentissage automatique, représentation de connaissances et analyse de données massives sont attendues. Des compétences en modélisation statistique, optimisation ou raisonnement symbolique seront un plus.
Le profil recherché suppose également de bonnes capacités rédactionnelles et de communication avec des experts métier, un goût pour le travail interdisciplinaire et une aptitude à évoluer dans un environnement partenarial avec des contraintes de confidentialité et de sécurité. Une sensibilité aux enjeux de la criminalistique ou des domaines à forte exigence de traçabilité serait particulièrement appréciée. Du fait des contraintes liées au contexte applicatif sensible, la candidature retenue sera validée après enquête de moralité.

Formation et compétences requises :

Adresse d’emploi :
9 avenue Alain Savary, 21000 Dijon, France

Document attaché : 202606300958_IGNIS_PhDproposal_LIB-2026.pdf