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

Laboratoire/Entreprise : Laboratoire d’Informatique Bioinformatique et Sys
Durée : 36 mois
Contact : Khalifa.Djemal@ibisc.univ-evry.fr
Date limite de publication : 2026-06-11

Contexte :
Cette thèse vise à développer une approche innovante de planification des blocs opératoires en environnement incertain, en combinant des méthodes de recherche opérationnelle et d’apprentissage automatique. Les contributions porteront sur l’intégration de modèles prédictifs dans des modèles d’optimisation afin d’améliorer la prise de décision, ainsi que sur le développement de méthodes de planification adaptative capables de gérer les aléas en temps réel. Des approches algorithmiques efficaces seront proposées pour résoudre des problèmes de grande taille, et les modèles développés seront validés sur des données réelles issues du milieu hospitalier. Cette thèse contribuera ainsi à l’émergence d’outils d’aide à la décision performants pour le pilotage des blocs opératoires.

La supervision sera assurée par le Prof. Khalifa DJEMAL et Dr. Melek RODOPLU (laboratoire IBISC). En effet, ce projet de thèse s’inscrit naturellement dans les actions du laboratoire, notamment à travers ses deux équipes impliquées : IRA2 et AROBAS.

Sujet :
Les systèmes hospitaliers nécessitent, de plus en plus, d’être assistés par des outils informatisés d’aide à la décision. Ces outils d’aide à la décision vont s’appuyer aussi bien sur des approches et des modèles formels que sur les technologies innovantes. Ceci aidera le système hospitalier à assurer aux patients un service de qualité, agile, au moindre coût et dans le respect des limites de ressources humaines et matérielles.
La planification des tâches pour des blocs opératoires comme les admissions, est un problème complexe compte tenu de l’intervention humaine et en particulier des événements aléatoires perturbateurs. Dans ce domaine, de nombreuses recherches ont été menées ces dernières années [1, 2, 3, 4], la plupart de ces travaux sont basés sur des modèles stochastiques.
Des approches hybrides combinant optimisation mathématique et apprentissage automatique ont été proposées pour améliorer la robustesse et la performance des solutions [5, 6].
L’intelligence artificielle a montré son efficacité pour résoudre des systèmes complexes dans différents domaines d’applications. Dans ce contexte, des modèles de planification peuvent s’appuyer sur les approches de l’apprentissage automatique. En effet, ces techniques permettent de développer des modèles d’ordonnancement prédictif et de l’optimisation des entrepôts de données.
Les avancées récentes incluent l’utilisation de l’apprentissage automatique, notamment des méthodes d’apprentissage profond (deep learning), pour la prédiction des durées opératoires, permettant d’améliorer significativement la précision par rapport aux approches traditionnelles [7, 8].
Par ailleurs, ces modèles sont de plus en plus intégrés dans des approches décisionnelles, notamment dans des schémas predict-then-optimize pour améliorer la planification des blocs opératoires [9]. Enfin, la question de l’explicabilité des modèles d’intelligence artificielle devient centrale dans le domaine médical afin de favoriser leur adoption en pratique clinique.
L’objectif de la thèse consiste dans le développement d’une approche de prédiction et de planification adaptative du bloc opératoire. Basée sur le principe de l’apprentissage automatique, la méthode de planification permettra le pilotage temps réel du bloc opératoire. Une attention particulière pourra être portée à l’intégration de modèles prédictifs dans des schémas d’optimisation prescriptive (predict-then-optimize) ainsi qu’à la gestion des incertitudes via des approches robustes ou distributionnellement robustes.
Les travaux seront réalisés dans un cadre d’application pratique ce qui permettra d’évaluer les performances des approches proposées dans un contexte opérationnel, en lien avec les problématiques actuelles de transformation numérique des systèmes hospitaliers.

[1] Steven Breslawski, Diane Hamilton, Operating Room Scheduling: Choosing the Best System AORN Jounal, Vol. 53, issue 5, 1991.

[2] Brecht Cardoen, Erik Demeulemeeste, Jeroen Beliën. Operating room planning and scheduling: A literature review, European Journal of Operational Research, Volume 201, Issue 3, Pages 921-932, 2010.

[3] Addis, B., Carello, G., Grosso, A., & Tànfani, E. Operating room scheduling and rescheduling: a rolling horizon approach. Flexible Services and Manufacturing Journal, 1-27. doi: 10.1007/s10696-015-9213-7, 2016.

[4] Liu H, Zhang T, Luo S, Xu D, Operating room scheduling and surgeon assignment problem under surgery durations uncertainty. Technol Health Care, 26(2):297-304. doi: 10.3233/THC-170825, 2018.

[5] Bertsimas D, Kallus N, From predictive to prescriptive analytics. Management Science, 66(3):1025–1044, 2020.

[6] Van Essen, J. T., Hans, E. W., Hurink, J. L., & Oversberg, A., Minimizing the waiting time for emergency surgery. Operations research for health care, 1(2-3), 34-44, 2012.

[7] Spence, C., Shah, O. A., Cebula, A., Tucker, K., Sochart, D., Kader, D., & Asopa, V,. Machine learning models to predict surgical case duration compared to current industry standards: scoping review. BJS open, 7(6), zrad113, 2023.

[8] Park, R. T., Stucky, C. H., & Moser, C. H., Machine learning surgery duration predictions compared to traditional methods: A systematic review. Perioperative Care and Operating Room Management, 41, 100581, 2025.

[9] Lex, J. R., Abbas, A., Mosseri, J., Toor, J. S., Simone, M., Ravi, B., … & Khalil, E. B., Using machine learning to predict-then-optimize elective orthopedic surgery scheduling to improve operating room utilization: Retrospective study. JMIR Medical Informatics, 13(1), e70857, 2025.

Profil du candidat :
De formation Master ou équivalent, le(la) candidat(e) doit posséder des compétences en informatique, avec des connaissances en algorithmes d’apprentissage statistique et en traitement de données.
Des bases en modélisation mathématique et en optimisation sont souhaitées. Une sensibilité aux approches hybrides combinant apprentissage automatique et optimisation constituera un atout.
Une expérience en programmation (Python, C++ ou équivalent), ainsi qu’une familiarité avec des outils scientifiques et des environnements de calcul, seront appréciées.
Un fort intérêt pour la recherche, le travail en équipe et les échanges pluridisciplinaires est attendu.
Le(la) candidat(e) devra également faire preuve d’autonomie, de rigueur scientifique et d’une capacité à aborder des problématiques appliquées complexes, notamment dans le domaine des systèmes de santé.

Formation et compétences requises :

Adresse d’emploi :
Laboratoire IBISC
40 rue du Pelvoux
91020 Evry
France

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

Laboratoire/Entreprise : Laboratoire Interdisciplinaire des Sciences du Num
Durée : 36 mois
Contact : semeraro@limsi.fr
Date limite de publication : 2026-05-11

Contexte :
‘Governing is forecasting”. This proverbial saying is relevant to many situations of engineering interest where decisions must be taken based on predictions or when devising a suitable sequence of actions to achieve some goal requires a good knowledge of the effect of these actions onto the system under consideration. Such predictions usually rely on a simulation of a model of the system at hand and/or observations collected over time. A reliable model may however not be available, or be too computationally costly to be useful. Observations, on the other hand, are often scarce and do not provide a complete picture of the state of the system.

Sujet :
In this thesis, we aim at deriving a principled approach to predict the time-evolution of quantities of interest associated with a system observed only via a few noisy sensors active at unpredictable times. To this end, we leverage the history of the information one can collect. This paradigm of predicting the future from whatever available knowledge over a past horizon is rigorously justified by the Mori-Zwanzig framework developed in the statistical physics community in the late 60s.
A particular focus will be on developing scalable approaches, suited for large-scale systems, such as those encountered in haemodynamics.
Describing and predicting the dynamics of complex systems remains a fundamental challenge across many scientific domains. These systems are commonly described by dynamical systems in the form of differential equations.
While this formulation is principled, it assumes that the model is known and tractable. In practice, however, the dynamics are often partially unknown, computationally expensive, or only valid within limited regimes. This limitation has led to the development of data-driven approaches that infer system dynamics directly from observations.
A key difficulty arises from partial observability. In many applications, only a subset of the system variables is accessible, and observations are often noisy, sparse, or irregular. As a result, the system cannot be accurately described as a Markovian process depending solely on the current observation. Instead, its evolution depends on past states, leading naturally to a non–Markovian formulation.
Several modeling strategies explicitly incorporate memory effects, such as autoregressive models such as ARMAX [5], while recurrent neural networks (RNNs), including LSTMs [9, 17, 7], introduce latent memory variables. Reservoir computing and echo state networks [8, 11] offer computationally efficient alternatives capable of capturing long-term dependencies [19]. More recent developments include Latent ODEs [16], which combine Neural ODEs with RNN encoders, augmented Neural ODEs [3], and Transformer architectures [18]. Despite their empirical success, these approaches inherently involve a trade-off between expressivity and interpretability or tend to operate as black boxes. A natural first approach to incorporate non–Markovian effects is by explicitly including past states, leading to delay differential equations (DDEs). Neural State-Dependent Delayed Differential Equations [8] introduced a flexible framework allowing multiple delays that depend on both time and state.

While these approaches are purely data-driven, they do not explicitly exploit the physical structure of the underlying system. We aim at leveraging a theoretically grounded approach to efficiently predict quantities of interest or (approximation of) the state of a system. We rely on the Mori-Zwanzig framework developed in the statistical physics community in the late 60s, [13,20]. In a nutshell, it formalizes the time-evolution of a set of variables x(t) related to the system as a function of their history, without requiring knowledge of the other variables describing the system.
Accounting for the past essentially allows to isolate the dynamics of these observables. This framework is general and applies widely. For instance, when the whole state of the system is not accessible, the dynamics of the observables can be described with a non-Markovian model via this framework. It similarly provides a principled closure for coarse models which can be effectively complemented with a history-based term, [14,12,6].

In this thesis, we will explore the potential of Signatures to efficiently approximate the history of the observations, [2,4,15]. The Signature transform introduced in [1,10] has recently been used in several areas, including rough path theory, finance, stochastic control, and machine learning. It has proven to be an effective tool to summarize the information of paths and dependencies across different dimensions, with high computational efficiency. Signatures consist of iterated integrals of the history of its inputs and enjoys interpretability. They provide a way to linearize all possible functions of their input and exhibit nice theoretical properties. In particular, owing to tensor algebra, they can be efficiently updated when new observations become available, without recomputing the whole object.

Many open questions however remain and will be the focus of this thesis. In particular, how are the different time scales of the physical system preserved across the Signature of its observations? What are the properties of the time series to retain in order to allow for a reliable and efficient prediction based on Signatures? How large should the truncation order be for a given performance? How frugal can the Signature-based term in the Mori-Zwanzig framework be in terms of training data, a critical point in many situations? Does the Mori-Zwanzig solution has a structure that can be exploited, such as low rankness, sparsity or multi-dependence which can be captured with tensor formats, etc.?
These methodological developments will first be illustrated on low-dimensional dynamical systems before, if time allows, being demonstrated on large scale real data from geophysics.

[1] Chen K.-T., Integration of paths, geometric invariants and a generalized Baker-Hausdorff formula, Annals of Mathematics. 2nd ser., 65, p. 163–178, 1957.

[2] Chevyrev Ilya & Kormilitzin Andrey, 2025 A Primer on the Signature Method in Machine Learning.

[3] Dupont E., Doucet A. & Teh Y.W., Augmented neural ODEs, Adv. Neural Inf. Process. Syst., 32, p. 3140–3150, 2019.

[4] Fermanian A., Learning time-dependent data with the signature transform, Theses, Sorbonne Université, 2021.

[5] Guidorzi R., Multivariable system identification: from observations to models, Bononia University Press, 2003.

[6] Gupta P., Schmid P., Sipp D., Sayadi T. & Rigas G., Mori–Zwanzig latent space Koopman closure for nonlinear autoencoder, Proc. R. Soc. A, 481 (2313), p. 20240259, 2025.

[7] Hochreiter S. & Schmidhuber J., Long short-term memory, Neural Comput., 9 (8), p. 1735–1780, 1997.

[8] Jaeger H. & Haas H., Harnessing nonlinearity: Predicting chaotic systems and saving energy in wireless communication, Science, 304 (5667), p. 78–80, 2004.

[9] Jordan M.I., Serial order: a parallel distributed processing approach. Technical report, California Univ., San Diego, La Jolla (USA). Inst. for Cognitive Science, Tech. Rep., 1986.

[10] Lyons T., Caruana M. & Lévy T., Differential equations driven by rough paths, In Lecture notes in Mathematics, École d’été de probabilités de Saint-Flour XXXIV-2004 , 2007.

[11] Maass W., Natschläger T. & Markram H., Real-time computing without stable states: A new framework for neural computation based on perturbations, Neural Comput., 14 (11), p. 2531–2560, 2002.

[12] Menier E., Bucci M.A., Yagoubi M., Mathelin L. & Schoenauer M., CD-ROM: Complemented Deep-Reduced Order Model, Computer Methods in Applied Mechanics and Engineering, 410, p. 115985, 2023.

[13] Mori H., A Continued-Fraction Representation of the Time-Correlation Functions, Prog. Theor. Phys., 34 (3), p. 399–416, 1965.

[14] Parish E. J. & Duraisamy K., Non-Markovian closure models for large eddy simulations using the Mori-Zwanzig formalism, Phys. Rev. Fluids, 2 (1), p. 014604, 2017.

[15] Pradeleix E., Hosseinkhan-Boucher R., Shilova A., Semeraro O. & Mathelin L., 2025 Learning non-Markovian dynamical systems with signature-based encoders. ECAI 2025 – 2nd ECAI Workshop on “Machine Learning Meets Differential Equations: From Theory to Applications”.

[16] Rubanova Y., Chen R.T.Q. & Duvenaud D.K., Latent ODEs for irregularly-sampled time series, In Advances in Neural Information Processing Systems 32 (NeurIPS 2019) (ed. H. M. Wallach, H. Larochelle, A. Beygelzimer, F. d’Alché Buc, E. B. Fox & R. Garnett), p. 5320–5330, 2019.

[17] Rumelhart D. E., Hinton G. E. & Williams R. J., 1986 Learning internal representations by error propagation, p. 318–362. Cambridge, MA, USA: MIT Press.

[18] Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A., Kaiser L. & Polosukhin I., Attention is All you Need, In Advances in Neural Information Processing Systems, , vol. 30, 2017.

[19] Vlachas P.-R., Pathak J., Hunt B.R., Sapsis T.P., Girvan M., Ott E. & Koumoutsakos P., Back-propagation algorithms and reservoir computing in recurrent neural networks for the forecasting of complex spatiotemporal dynamics, Neural Netw., 126, p. 191–217, 2020.

[20] Zwanzig R., Nordholm K.S. J. & Mitchell W.C., Memory Effects in Irreversible Thermodynamics: Corrected Derivation of Transport Equations, Phys. Rev. A, 5, p. 2680–2682, 1972.

Profil du candidat :
Le candidat devra avoir une bonne formation en apprentissage automatique, mathématiques appliquées et/ou statistiques. La connaissance d’un framework d’apprentissage machine (par exemple PyTorch, Jax ou Julia) est un plus.

Formation et compétences requises :

Adresse d’emploi :
The work will take place at the Laboratoire Interdisciplinaire des Sciences du Numérique (LISN – https://www.lisn.upsaclay.fr/) on the campus of Université Paris-Saclay, benefiting from expertise of the research team in machine learning, applied mathematics, computer science, statistical physics, fluid mechanics and dynamical systems.

The PhD student will be integrated in a vibrant research team focused on scientific machine learning, deep learning, applied mathematics and statistical physics. He/She will be advised by Lionel Mathelin and Onofrio Semeraro, both CNRS researchers involved in the topic for several years. In addition to the rich scientific environment of the Paris-Saclay, the student will benefit from the numerous interactions within the team, in particular with other PhD students
and postdocs, and from the weekly seminars which provide exposition to a wide state-of-the-art research.

In addition to the rich scientific environment of the Paris-Saclay, the student will benefit from the numerous interactions within the team, in particular with other PhD students and postdocs, and from the weekly seminar which provides exposition to a wide state-of-the-art research.

This thesis will be carried-out in close collaboration with the INRIA Commedia team in Paris (Dr. D. Lombardi) and the INRIA Odyssey team in Rennes (Dr. E. Memin and G. Tissot). Visits to these teams will be organized on a regular basis.

Document attaché : 202604240826_Laplace.pdf

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

Laboratoire/Entreprise : DVRC
Durée : 3 ans
Contact : nicolas.travers@devinci.fr
Date limite de publication : 2026-05-31

Contexte :
L’essor des grands modèles de langage (Large Language Models, LLM) a profondément transformé le traitement automatique du langage naturel, ouvrant des perspectives inédites pour de nombreux secteurs d’activité. Le domaine juridique constitue à cet égard un terrain d’application stratégique : il est caractérisé par une production normative croissante, une complexité textuelle élevée et des exigences fortes en matière de fiabilité, de traçabilité et de justification argumentative.
Les professionnels du droit, avocats, juristes d’entreprise, services de conformité, sont quotidiennement confrontés à l’analyse de volumes importants de textes normatifs, de contrats et de décisions jurisprudentielles. Cette réalité opérationnelle crée une demande croissante pour des outils d’assistance capables d’automatiser partiellement ces processus tout en garantissant une fiabilité juridique suffisante pour un usage professionnel.
Les solutions génériques actuelles fondées sur des LLM (GPT-4, Claude, Gemini) permettent des tâches élémentaires ,recherche d’information, résumé, rédaction assistée, mais présentent des limites structurelles importantes dans ce contexte :
– un manque de spécialisation dans le raisonnement juridique normatif, caractérisé par des hiérarchies de normes, des exceptions et des conflits réglementaires ;
– une fiabilité juridique insuffisante, se traduisant par des hallucinations factuelles et des erreurs d’interprétation normative ;
– une incapacité à justifier explicitement les conclusions produites, pourtant essentielle à l’usage professionnel ;
– une empreinte computationnelle et énergétique élevée, incompatible avec une intégration directe dans des workflows SaaS ou des environnements à ressources contraintes.
Ces constats soulignent l’intérêt de développer des modèles de langage spécialisés, plus compacts ,désignés Small Legal Models (SLM) ,capables d’intégrer les structures logiques et normatives propres au droit tout en étant économes en ressources et directement intégrables dans des logiciels métiers. C’est dans ce contexte que s’inscrit le projet de recherche et développement porté par Contractzlab.
Ce projet répond à un besoin industriel concret : améliorer l’efficacité des cabinets juridiques et des entreprises soumises à des obligations réglementaires strictes, tout en proposant une alternative fiable, sécurisée et économe en énergie aux grands modèles généralistes. Il s’inscrit également dans une perspective scientifique plus large, visant à
comprendre comment la spécialisation et l’apprentissage progressif permettent à un modèle compact d’atteindre des performances comparables à celles de modèles massifs sur des tâches de raisonnement normatif complexes.

Sujet :
L’objectif principal de cette thèse est de concevoir, d’entraîner et de valider un Small Legal
Model (SLM) spécialisé dans le raisonnement juridique, capable de surperformer les
modèles généralistes commerciaux sur des tâches normatives complexes tout en restant
économe en ressources computationnelles.
Ce modèle doit fonctionner comme un assistant expert pour les professionnels du droit
,juristes, avocats, services de conformité ,en les aidant à analyser, interpréter et mettre en
relation des textes normatifs, aussi bien pour des consultations rapides que pour des cas
nécessitant un raisonnement structuré et une justification explicite.
Les travaux de recherche s’articulent autour de quatre axes scientifiques originaux,
chacun répondant à un verrou identifié dans la littérature :
Conception de méthodes d’alignement adaptées au raisonnement juridique normatif
Les approches classiques d’alignement par préférences (RLHF, DPO, ORPO) sont
conçues pour améliorer la conformité comportementale des modèles, non pour structurer
leur raisonnement formel. L’objectif est de proposer de nouvelles méthodes d’alignement
intégrant des contraintes logiques explicites, respectant la hiérarchie des normes
(constitution, loi, règlement, jurisprudence) et permettant la traçabilité des chaînes
d’inférence juridique. Cela implique notamment de définir des signaux de récompense
capables de représenter la cohérence normative et la validité argumentative des réponses
produites.

Construction d’un cadre d’évaluation unifié pour le raisonnement juridique
L’absence de benchmark représentatif, multilingue et orienté vers la structure
argumentative constitue un frein majeur à la progression scientifique dans ce domaine.
L’objectif est de construire un cadre d’évaluation unifié couvrant plusieurs niveaux de
raisonnement juridique qualification, interprétation, mise en relation de normes, résolution
de conflits ,applicable à plusieurs systèmes juridiques européens, et s’appuyant sur des
métriques capables de mesurer la cohérence logique interne et la validité normative au-
delà de la simple correspondance textuelle.

Développement d’une stratégie d’entraînement progressif pour modèle compact
La réduction du nombre de paramètres d’un modèle limite mécaniquement sa capacité à
encoder des connaissances juridiques étendues et des chaînes de raisonnement
profondes. L’objectif est de concevoir une stratégie d’entraînement progressif (continual /
curriculum learning) permettant à un SLM d’acquérir des compétences juridiques
croissantes sans subir d’oubli catastrophique, tout en conservant la cohérence globale de
son raisonnement. Des approches telles que DUMP (Dynamic Upper-confidence-based
Model Progression) constituent des pistes prometteuses qui seront explorées et adaptées
au contexte juridique.

Analyse de la robustesse cognitive sous alignement par préférences
L’impact de l’alignement par préférences sur la diversité argumentative et la robustesse
cognitive des modèles en contexte juridique reste largement inexploré. L’objectif est de
caractériser empiriquement et théoriquement les effets de différentes méthodes
d’alignement (DPO, ORPO, KTO, RLAIF) sur la capacité d’un modèle compact à maintenir
une pluralité interprétative, à résister aux ambiguïtés normatives et à justifier ses
conclusions dans des cas complexes ou contradictoires. Cette analyse vise à établir les
fondements d’un alignement à la fois conforme et cognitivement robuste pour les
domaines régulés.

Profil du candidat :
Ingénieurs / Master 2, spécialisé en science des données, Intelligence Artificielle, NLP
Personnes à contacter par mail : envoyez votre candidature avant le 25 avril avec vos
bulletins de notes M1/M2, une lettre de motivation, des lettres de recommandation

Formation et compétences requises :

Adresse d’emploi :
Paris La défense & Paris 11°

Document attaché : 202604162208_Sujet_These_Cifre_Contractzlab.pdf