Apprentissage pour la reconnaissance d’intention et la gestion de conversations

When:
01/01/2023 – 02/01/2023 all-day
2023-01-01T01:00:00+01:00
2023-01-02T01:00:00+01:00

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

Laboratoire/Entreprise : Equipe SyCoSMA (Laboratoire LIRIS) / entreprise Re
Durée : 3 ans
Contact : frederic.armetta@univ-lyon1.fr
Date limite de publication : 2023-01-01

Contexte :
La recherche appliquée aux agents conversationnels s’est beaucoup développée ces dernières années depuis l’avènement des méthodes à base de réseaux de neurones et des méthodes
attentionnelles, avec de nombreuses applications (suivi de commandes, gestion de réservations, administration des ventes, etc.). La société Reecall est spécialisée dans l’automatisation de ces traitements, depuis l’identification de la requête de l’utilisateur (Natural Language Understanding), au recueil d’informations utiles pour la tâche identifiée
(Dialogue Manager), à la restitution en langage naturel pour l’utilisateur (Natural Language Generation). L’équipe SyCoSMA (Systèmes Cognitifs et Systèmes Multi-Agents) du laboratoire LIRIS est spécialisée dans la modélisation de systèmes intelligents dans différents domaines2
qui nécessitent des représentations sémantiques adaptées (robotique, apprentissage, réseaux de neurones, systèmes multi-agents, etc.).

Sujet :
Sujet détaillé : https://perso.liris.cnrs.fr/frederic.armetta/sujetTheseNLP-2022.pdf

Dans le cadre de ce travail de thèse, on souhaite améliorer la fiabilité des agents conversationnels en proposant différents modèles innovants. Parmi les différentes perspectives, une attention particulière est portée sur la qualité et la quantité des informations disponibles pour l’apprentissage, et les façons d’optimiser leur utilisation. Différentes méthodes sont en cours d’étude (few shot learning, active learning, mixture of expert agents, Goal-oriented dialog systems, etc.), avec de nombreuses possibilités de propositions et initiatives sur l’ensemble de la chaine de traitements pour le candidat. L’environnement d’exploitation peut permettre l’apport de données complémentaires à travers les intéractions
avec les utilisateurs du système. Ce projet intervient dans la continuité de la collaboration entre l’équipe SyCoSMA du LIRIS et la société Reecall. Une première étude a été menée au sein de la collaboration concernant l’efficacité des différentes architectures NLU pour
détecter différents types de requêtes utilisateur (Out Of Scope, Near Out Of Scope, etc.). La thèse est financée dans le cadre d’un format CIFRE (financement ANRT préaccepté).

Profil du candidat :
– autonomie concernant le développement de modèles d’apprentissage (pytorch, etc.)
– capacités d’analyse, curiosité scientifique

Formation et compétences requises :
– une connaissance des différentes méthodes du machine learning et de l’IA (master spécialisé,
écoles d’ingénieurs)
– une première expérience dans le développement de réseaux de neurones profonds

Adresse d’emploi :
Laboratoire LIRIS, Bâtiment Nautibus
Campus de la Doua 25 avenue Pierre de Coubertin 69622 Villeurbanne Cedex / Entreprise Reecall à Lyon

Document attaché : 202209121433_sujetTheseNLP-2022.pdf