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

Laboratoire/Entreprise : UTT – LIST3N
Durée : 6 mois
Contact : frederic.bertrand@utt.fr
Date limite de publication : 2022-03-15

Contexte :
Le laboratoire LIST3N (Informatique et Société Numérique) développe des approches efficaces (concepts, modèles, méthodes et outils) pour traiter l’ensemble de la chaîne de traitement des données, des capteurs aux usages, en passant par l’analyse et l’optimisation des données.

Sujet :
Le projet, spécialisé dans le domaine du Process Mining, comprend Frédéric Bertrand, Myriam Maumy, Yoann Valero et Benoit Vuillemin, experts du domaine, et est en collaboration avec la startup Your Data Consulting.

Dans le cadre d’un projet sur le domaine du Process Mining1 en collaboration avec la startup Your Data Consulting, proposant l’outil LiveJourney2, un stagiaire pourrait apporter sa contribution en faisant le lien entre les demandes de l’entreprise et les propositions des travaux de recherche académiques, faites aux travers d’un post doctorat (Benoit Vuillemin) et d’un doctorat (Yoann Valero).
Les travaux attendus incluent, entre autres :
– Étude, amélioration et optimisation des algorithmes de recherche. Cela comprend entre autres, des algorithmes de recherche de règles de prédiction3 et de Deep Learning4. Pour cela, vous serez sous la supervision des concepteurs de ces algorithmes.
– Réunions fréquentes avec les cadres de la startup pour non seulement définir leurs besoins, mais aussi identifier et communiquer ce qui est possible.
– Adaptation et optimisation des algorithmes de recherche aux besoins de l’entreprise.

1 Wil Van Der Aalst, « Process mining », Communications of the ACM, août 2012, https://dl.acm.org/doi/10.1145/2240236.2240257.
2 « Livejourney – Logiciel de Process Mining », s. d., https://www.livejourney.com/fr/.
3 Philippe Fournier-Viger et al., « Mining Partially-Ordered Sequential Rules Common to Multiple Sequences », IEEE Transactions on Knowledge and Data Engineering 27, no 8 (1 août 2015): 2203‑16, https://doi.org/10.1109/TKDE.2015.2405509; Benoit Vuillemin et al., « TSRuleGrowth: Mining Partially-Ordered Prediction Rules From a Time Series of Discrete Elements, Application to a Context of Ambient Intelligence », in Advanced Data Mining and Applications, vol. 11888, Lecture Notes in Computer Science (Cham: Springer International Publishing, 2019), 119‑34, https://doi.org/10.1007/978-3-030-35231-8_9.
4 Leila Arras et al., « Explaining and Interpreting LSTMs », in Explainable AI: Interpreting, Explaining and Visualizing Deep Learning, éd. par Wojciech Samek et al., vol. 11700, Lecture Notes in Computer Science (Cham: Springer International Publishing, 2019), 211‑38, https://doi.org/10.1007/978-3-030-28954-6_11; Antonia Creswell et al., « Generative Adversarial Networks: An Overview », IEEE Signal Processing Magazine 35, no 1 (janvier 2018): 53‑65, https://doi.org/10.1109/MSP.2017.2765202.

Profil du candidat :
Nous avons besoin d’un profil comprenant plusieurs qualités majeures :
– Expérience dans le code, notamment en Python, et ayant envie d’expérimenter de nouveaux langages, tels que Julia,
– Capacité d’identifier des objectifs de haut niveau provenant d’une entreprise et de les matérialiser à l’aide des algorithmes de recherche fournis,
– Force de proposition et de créativité, pour la startup comme pour les chercheurs.

Formation et compétences requises :
BAC +4/+5
Informatique

Adresse d’emploi :
12, rue Marie Curie
10000 Troyes

Document attaché : 202202151246_original.pdf

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

Laboratoire/Entreprise : Equipe PETRUS INRIA / UVSQ
Durée : 6 mois
Contact : luc.bouganim@inria.fr
Date limite de publication : 2022-06-30

Contexte :
The PETRUS team (Inria/UVSQ), in association with the Hippocad company and the Yvelines Departmental Council, is currently deploying secure home boxes for 10,000 patients in the Yvelines region. These boxes, based on the team’s research results (DBMS embedded in secure hardware), include a personal medical-social database to improve care coordination for dependent people at home. Medical and social workers interact with these secure boxes via a smartphone application. Our objective is to enhance these boxes with the ability to communicate with IOT sensors measuring e.g., luminosity, movement, temperature, to improve patient monitoring. The raw data from the sensors are analyzed by Machine Learning (ML) techniques to identify the patient activities and thus, detect the evolution of patients towards risk situations like depression or illness. Because of their precision, these raw data are however very intrusive. The originality of our approach is to allow a local processing of these data in each box which includes hardware security elements, in order to externalize only the relevant information: alerts, aggregated values on patient dashboards.

Sujet :
ML algorithms build a model based on a training dataset in order to make predictions, in our case, to discover the activity of an individual based on her IOT traces. Beside the classical issues of data representations (from IOT traces to a dataset that can feed an ML algorithm), our approach faces two challenges:
First, we have no possibility to obtain a training dataset for each targeted home-box user. Indeed, we cannot ask elderly people to label their activities during some weeks in order to build the corresponding training datasets: It would be too complex, costly and error prone without a personal assistant. We can however use existing datasets labelled for daily activity discovery (e.g., [1]) and use semi-supervised ML approaches [3] to dynamically adapt the produced model to the targeted home-box user. Indeed semi-supervised approaches use un-labelled data to refine an existing model obtained on labelled data. Other strategies could be defined based on a minimal feedback from the user or on some questionnaires describing the typical activities of the user.
Second, the ML algorithms must be computed inside the home-box, and more precisely in the secure part of the home-box which is composed by a microcontroller with limited RAM resource and a trusted platform module (TPM). Thus the algorithms must be efficient despite limited RAM resources. This may imply to define specific data structures adapted to this environment.

Profil du candidat :
The applicant could be willing to do a Master2 internship or a part-time trainee (Master2 level), or having completed a Master2 and willing to do a PhD

Formation et compétences requises :
• ML algorithm knowledge
• Python (knowledge in C or Rust will be appreciated)

Adresse d’emploi :
UVSQ – Versailles – 45 avenue des états unis.

Document attaché : 202202141426_Master-internship-2022-IOT-ML.pdf

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

Laboratoire/Entreprise : UMR TETIS
Durée : 6 mois
Contact : camille.jahel@cirad.fr
Date limite de publication : 2022-03-31

Contexte :
La zone des Niayes fournit 70% des produits horticoles à Dakar, profitant d’une nappe phréatique peu profonde, d’un climat favorable et de sols fertiles. Mais ces dernières années ont été marquées par une baisse importante du niveau de la nappe et une salinisation progressive des terres par invasion marine, du fait d’une diminution de la pluviométrie. A cela s’ajoute des problématiques de surexploitation des ressources hydriques par les exploitations agricoles, les agro-industries et les exploitations minières qui ne cessent de s’agrandir. Les prévisions climatiques pour les prochaines années, particulièrement alarmantes pour le Sénégal, tendent à montrer que ces tendances risquent de s’amplifier, menaçant directement toutes les exploitations agricoles de la zone.
Il est donc urgent de prendre la mesure de ces changements pour tenter de les atténuer. Dans ce contexte, une série d’ateliers de prospective ont été menés en 2018, qui ont permis de dessiner les contours de scénarios d’évolution des Niayes (Camara et al., 2020 ). Mais ces scénarios sont dans un registre narratif et qualitatif et doivent maintenant être illustrés d’indicateurs quantitatifs.
Pour cela, une équipe multidisciplinaire de modélisateurs et thématiciens ont écrit un modèle des dynamiques de la zone des Niayes, à l’aide de la plateforme de modélisation spatiale Ocelet (www.ocelet.fr). Le modèle articule plusieurs modules, et permet de simuler des dynamiques de la nappe phréatique, l’étalement urbain, l’avancée du domaine cultivé, les productions agricoles, les revenus agricoles et les emplois agricoles. Le modèle a été construit de manière à reproduire les dynamiques de ces différents modules observés ces 15 dernières années. Il s’agit pour le stagiaire d’explorer la diversité des résultats en entrée et en sortie de modèle et enfin de l’utiliser pour simuler les différents scénarios plausibles.

1 Camara, C., Bourgeois, R., & Jahel, C. (2019). Anticiper l’avenir des territoires agricoles en Afrique de l’Ouest: le cas des Niayes au Sénégal.

Sujet :
La première phase consistera à identifier dans les résultats de sortie du modèle ceux qui correspondent aux scénarios qualitatifs identifiés par les acteurs en 2018 (approche experte). A partir de cet espace des sorties et en utilisant une des méthodes telle qu’OSE, le stagiaire identifiera dans l’espace des entrées les jeux de paramètres qui conduisent aux espaces des sorties considérées par les experts. Pour cela, des séries de simulations seront lancées sur des périodes simulées de 20 ans, en fonction de jeux de paramètres cohérents avec les scénarios qualitatifs produits plus tôt et en insérant différentes « ruptures » dans les simulations (par exemple, introduction d’un nouveau paramètre en cours de simulation). Ce travail d’exploration et d’analyse de l’espace des sorties sera mené par le stagiaire, en s’inspirant là aussi des travaux de la communauté d’OpenMole.
Le stagiaire sera alors à même de produire une interface de visualisation des trajectoires territoriales qui permette aux décideurs et aux chercheurs d’identifier les bifurcations dans les scénarios simulés parmi les avenirs plausibles de la zone des Niayes. Le travail de visualisation des données en sortie – comme par exemple, des cartes d’occurrence de phénomène pour un même scénario, ou une présentation de l’espace des possibles, etc. – fournira le contenu à la plateforme de visualisation.

Profil du candidat :
Durée du stage :
6 mois. Début du stage Avril 2022.

Encadrement :
Le stagiaire sera co-encadré par deux chercheurs du Cirad, Camille Jahel (TETIS) et Etienne Delay (SENS)

Rémunération :
Indemnité de stage en vigueur (environ 573 €/mois).
Prise en charge des frais relatifs aux éventuels déplacements.

Contact :
camille.jahel@cirad.fr
etienne.delay@cirad.fr

Formation et compétences requises :
–

Adresse d’emploi :
Le stagiaire sera accueilli à la maison de la télédétection (www.teledetection.fr), à Montpellier, en fonction du contexte sanitaire en France.

Document attaché : 202202110922_Fouille de modèle et visualisation de données pour explorer les avenirs plausibles de la zone des Niayes au Sénégal_vf.pdf