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

Laboratoire/Entreprise : PRISME Lab Universiy of Orléans / BRGM Orléans
Durée : 36 months
Contact : yves.lucas@univ-orleans.fr
Date limite de publication : 2024-06-30

Contexte :
Scientific Background

In remote sensing, the intensive production of multi-sensor satellite and airborne data of ever-increasing spatial resolution (visible, IR, hyperspectral, lidar, radar, topography, spectral material libraries, etc.) enables very detailed observation of the earth. In particular, ENMAP satellite has opened up to the scientific community a considerable field of investigation for earth observation with a spatial resolution of 30m. This potential remains under-utilized, however, as conventional methods are unable to absorb such a mass of data, especially hyperspectral imagery, which extends over hundreds of bands.
Artificial intelligence techniques, which have revolutionized the field of Computer Vision, are opening up a new avenue in remote sensing for semantic segmentation, with the automatic extraction of characteristics of features exposed to natural hazards. With climate change, natural disasters are on the increase, demonstrating the urgent need to establish up-to-date risk scenarios.

The aim of this thesis is to evaluate the contribution of artificial intelligence to better assess vulnerability in the face of natural hazards, by unfolding impact scenarios from a multi-risk, multi-scale perspective.

The highly multimodal and heterogeneous nature of the data collected by remote sensing to characterize a territory has given rise to a new methodological challenge: developing suitable network architectures for the classification and semantic segmentation of this massive and complex data. What’s more, the lack of remote sensing training databases is driving work towards semi-supervised approaches with partially annotated data. It is through the pooling of heterogeneous data proposed in this thesis that ground truth will be substantially enriched. Network models will also have to adapt to degraded situations abroad, where some data are unavailable.

This work is closely linked to the Région Centre Val de Loire CERES project – Mapping and characterizing exposed elements in the CVL region from satellite images – with application prospects for the region’s economic operators, concerned by the growing risks associated with flooding and building cracking. CERES is in charge of access to paid data and intensive online computing on the deep learning models developed during the thesis. This work is also in synergy with actions carried out at BRGM (H2020 COCLICO, VIGIRISKS, ANR RESIFLEX) and the ANR-IA, where joint work is underway between PRISME and BRGM.

Funding

Region Centre – Val de Loire thesis grant (36 months) co-financed with BRGM Orléans.
The Region CERES project launched in oct. 2023 also provides a substantial budget for experimentation, with access to paid-for satellite data and online computing.

Sujet :
Work Schedule

The first year of the thesis will begin with a state-of-the-art review of deep learning algorithms applied to remote sensing. This will be followed by an inventory of exploitable data sources, the implementation of a data collection and processing platform, and experimentation with the extraction of a few relevant features from deep learning models derived from the state of the art in semantic segmentation. For the characterization of exposed elements, the aim is to identify the spatial, geometric, spectral and documentary characteristics of interest, which can be exploited in the various data sources and are relevant to the prevention of natural hazards.
We already have a database of images acquired in the Loiret region during the AGEOTHYP program, covering a wide range of terrain (crops, forests, urban areas, rivers, etc.), as well as satellite and documentary data on study sites abroad. The PhD student will have to familiarize himself/herself with the risk theme by consulting BRGM risk experts in order to list the criteria to be analyzed in order to build up a multi-risk issues database. The proximity of the study site will facilitate on-site surveys to enrich the ground truth. The cost of access to certain satellite data sources will be covered by the CERES regional project.
For data processing, the aim is to evaluate the performance of various online or local computing solutions, and to experiment with a few advanced state-of-the-art deep learning models for extracting the characteristics of elements exposed to climatic hazards. The power of the CaSciModot supercomputing infrastructure integrated into the DataCentre Régional Centre Val de Loire on the Grand Campus Orléans, including BRGM and the university, will be used to run the deep learning algorithms. The Region CERES project will also enable the models to be tested using pay-per-use online computing solutions.

During the second year, a ground truth database will be set up to train the algorithms. Network architectures adapted to heterogeneous modalities will be proposed. The possibility of multi-scale processing (building or urban aggregation) will be studied. Experimental validation will be carried out in the Loiret pilot area, where a large number of image modalities with good spatial resolution are available. Other experiments may be carried out on foreign sites, where the absence or scarcity of certain data will lead to a degraded mode.

The third year will be devoted to applying the results of semantic segmentation to one or more risk scenarios (floods, earthquakes, landslides, etc.), and to finalizing the analysis and evaluation of the contribution of deep learning methods to the mapping of issues. The CERES project’s economic partners will enhance the applicative vocation of the work, with a focus on the Blois conurbation and taking into account the concerns of the insurance sector.

The work will be promoted through participation in national and international conferences on general or specialized image processing (artificial intelligence approaches, remote sensing, etc.) and the publication of a journal article.

PRISME – BRGM Collaboration

Computer Vision – AI at PRISME

He has acquired expertise in Deep Learning image processing and hyperspectral imaging:

Deep learning approaches have been used for the semantic segmentation of images, with spectacular results compared with conventional methods, first in the medical field and then in public image databases (e.g. CityScapes: urban scenes or common objects: SBD). Parallel work in this area has also been applied to precision agriculture, animal video surveillance (sheepfolds, zoos, etc.) and heritage (monuments, paintings, etc.).
The hyperspectral imaging modality, which is highly discriminating but generates huge volumes of data, was first tested in the medical field (visualization of tissue spectra in the operating room), then in remote sensing (image segmentation using active contours on a graph), in particular with aerial images acquired by BRGM Orléans during the AGEOTHYP program (detection of clay soils at risk).

Risks and Prevention Division – BRGM
The team makes available heterogeneous data acquired in the field or collected in its databases, and has the expertise to exploit them in multi-risk scenarios:
BRGM has a hyperspectral dataset. The images are centered on a study area west of Orléans covering some 300 km², i.e. 170 images of 408 spectral bands (400 – 2500 nm) with a spatial resolution of 1 to 2 m. A geospatial database is also available to serve as ground truth (laboratory and in situ spectral libraries, spatialized geotechnical data and mineralogical analyses). Another foreign study site will be selected to work in degraded mode. Other Open Source data will be collected on the Loiret study site, depending on availability and quality: thermal infrared emissivity, LIDAR topography, SAR subsurface, IGN database.
BRGM’s risk specialists have the expertise to assess the vulnerability to natural hazards. As part of the RISQNAT research program “Building impact scenarios for the prevention of natural hazards”, they are looking into cost-effective solutions for the production of spatialized information over vast study areas, and the development of platforms integrating predictive models from a multi-risk, multi-scale perspective.

References

Le Cozannet, G., Kervyn, M., Russo, S., Ifejika Speranza, C., Ferrier, P., Foumelis, M., Lopez, T., Modaressi, H., 2020. Space-Based Earth Observations for Disaster Risk Management. Surv. Geophys. 41, 1209–1235. https://doi.org/10.1007/s10712-020-09586-5

Z. Ma, G. Mei, Deep learning for geological hazards analysis: Data, models, applications, and opportunities, Earth-Science Reviews, Volume 223, 2021,103858,ISSN 0012-8252

J. Jakubik, M. Muszynski, M. Vössing, N. Kühl and T. Brunschwiler, Toward Foundation Models for Earth Monitoring: Generalizable Deep Learning Models for Natural Hazard Segmentation, 2023, arXiv 2301.09318

Jia, J.; Ye, W. Deep Learning for Earthquake Disaster Assessment: Objects, Data, Models, Stages, Challenges, and Opportunities. Remote Sens. 2023, 15, 4098. https://doi.org/10.3390/rs15164098

A. Lacoste, N. Lehmann, P. Rodriguez, E. D. Sherwin, H. Kerner , B. Lutjens, J. A. Irvin, D. Dao, H. Alemohammad, A. Drouin, M. Gunturkun, G. Huang, D. Vazquez, D. Newman, Y. Bengio, S. Ermon and X. X. Zhu GEO-Bench: Toward Foundation Models for Earth Monitoring, 37th Conf. on Neural Information Processing Systems Datasets and Benchmarks, 2023

Yuri Boykov, Fatih Porikli, Antonio Plaza, Nasser Kehtarnavaz, and Demetri Terzopoulos Image Segmentation Using Deep Learning: A Survey Shervin Minaee, arXiv:2001.05566v4 [cs.CV] 10 Apr 2020

Prakash, N., Manconi, A., Loew, S., 2020. Mapping Landslides on EO Data: Performance of Deep Learning Models vs. Traditional Machine Learning Models. Remote Sens. 12, 346. https://doi.org/10.3390/rs12030346

Yang, H., Yu, B., Luo, J., Chen, F., 2019. Semantic segmentation of high spatial resolution images with deep neural networks. GIScience Remote Sens. 56, 749–768. https://doi.org/10.1080/15481603.2018.1564499

Jia Song Shaohua Gao, Yunqiang Zhu & Chenyan Ma A survey of remote sensing image classification based on CNNs Big Earth Data, Vol.3, N°3, 232-254, 2019|

X.X. Zhu, D.Tuia, L.Mou, G-S. Xia,L. Zhang, F.Xu, F.Fraundorfer, Deep Learning in Remote Sensing, IEEE Geoscience and Remote Sensing magazine, dec. 2017

L. Ma, Y. Liu, X. Zhang, Y. Ye, G. Yin, B.A. Johnson, Deep learning in remote sensing applications : a meta-analysis and review, ISPRS Journal of Phtogrammetry and Remote Sensing, 1552 (2019) 166-177

E. Colin Koeniguer, G. Le Besnerais, A. Chan Hon,Tong, B. Le Saux, A. Bouich, P. Trouvé, R. Caye Daudt, N. Audebert, G. Brigo, P. Godet, B. Le Teurnier, M. Varvalho, J. Castillo-Navaro, Recent examples of deep learning contributions for earth observation issues , AeroscpaceLab journal, issue 15, sept. 2020

D. Hong, L. Gao, N.Yokoya, J.Yao, J. Chanussot, Q. Du, B. Zhang, More diverse means better : multimodal deep learning meets remote sensing imagery classification, IEEE transactions on geoscience and remote sensing, vol.59, n°5, may 2021

Vali, A., Comai, S., Matteucci, M., 2020. Deep Learning for Land Use and Land Cover Classification Based on Hyperspectral and Multispectral Earth Observation Data: A Review. Remote Sens. 12, 2495. https://doi.org/10.3390/rs12152495

Signoroni, A., Savardi, M., Baronio, A., Benini, S., 2019. Deep Learning Meets Hyperspectral Image Analysis: A Multidisciplinary Review. J. Imaging 5, 52. https://doi.org/10.3390/jimaging5050052

Paoletti, M.E., Haut, J.M., Plaza, J., Plaza, A., 2019. Deep learning classifiers for hyperspectral imaging: A review. ISPRS J. Photogramm. Remote Sens. 158, 279–317. https://doi.org/10.1016/j.isprsjprs.2019.09.006

K. Tabia, X. Desquesnes, , S. Treuillet « A multiphase level set method on graphs for hyperspectral image segmentation” Lecture Notes in Computer Science LNCS 10016, Springer, p, 559-569

K.Tabia, X.Desquesnes, Y.Lucas, S.Treuillet, Influence of spectral metrics on the graph-based segmentation of hyperspectral images, 9th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing, WHISPERS 2018, 23-26 sept 2018, Amsterdam, Hollande.

Etienne Ducasse, Karine Adeline, Xavier Briottet, Audrey Hohmann, Anne Bourguignon, et al.. Montmorillonite Estimation in Clay-Quartz-Calcite Samples from Laboratory SWIR Imaging Spectroscopy: A Comparative Study of Spectral Preprocessings and Unmixing Methods. Remote Sensing, MDPI, 2020, ⟨10.3390/rs12111723⟩.

D. Nouri, Y. Lucas, S. Treuillet «Hyperspectral interventional imaging for enhanced tissue visualization and discrimination combining band selection methods» Int. Journal of computer assisted radiology and surgery, Springer Verlag, ISSN 1861-6410, Vol. 11, n°12 p. 2185–2197, déc 2016

D. Nouri, Y. Lucas, S. Treuillet «Efficient tissue discrimination during surgical interventions using hyperspectral imaging » Int. Confrence on Information Processing in Computer –Assisted Interventions (IPCAI) Fukuoka, Japan, 28 june 2014 

R. Niri, H. Douzi,Y. Lucas and S. Treuillet, Fully convolutional networks for diabetic foot ulcers diagnosis, Int. conf. on Medical Diagnostic Imaging and Radiology (ICMDIR 2020), Barcelona, Spain 05-06 march 2020

R. Niri, Y. Lucas, S. Treuillet and H. Douzi, Deep Learning for Multispectral Tissue Analysis applied to Diabetic Foot Ulcer Monitoring, The European Conference on Controversies in Diabetic Foot Management, Vienna, Austria, May 02 – 03, 2019 

R. Niri, E. Guttierez, H. Douzi, Y. Lucas, S. Treuillet, B. Castaneda, I. Hernandez, Multi-View Data Augmentation to Improve Wound Segmentation on 3D Surface Model by Deep Learning, IEEE Access, vol.9, pp. 157628-157638, 2021, doi: 10.1109/ACCESS.2021.3130784.

O. Zenteno, T. V. Pham, S. Treuillet, Y. Lucas, Markerless tracking of micro-endoscope for optical biopsy in stomach, EMBC July 23-27, 2019, Berlin, Germany

T.V. Pham, Y. Lucas, S. Treuillet, L. Debraux, Object contour refinement using instance segmentation in dental images, Int. conf. on Advanced concepts for intelligent vision systems ACIVS 2020, 10-14 Feb 2020, Auckland, New-Zealand,

T.V. Pham, Y. Lucas, S. Treuillet, L. Debraux, Improvement in design and training of feature pyramid network for contour refinement, Pattern Recognition Letters, vol. 155, march 2022, p1-8

M Dian Bah, Eric Dericquebourg, Adel Hafiane, Raphael Canals, Deep Learning based Classification System for Identifying Weeds using High-Resolution UAV Imagery, Chapter in Volume 857 of the Advances in Intelligent Systems and Computing, Jan 2019

M. Kerkech, A. Hafiane, R. Canals, Deep leaning approach with colorimetric spaces and vegetation indices for vine diseases detection in UAV images, Computers and Electronics in Agriculture 155, pp. 237–243, Oct 2018

Hohmann, A., Dufréchou, G., Grandjean, G., Bourguignon, A., 2013. Mapping of swelling and shrinking clays from airborne hyperspectral data: Presentation of a coming comparison of two approaches, in: NIR2013 proceedings. La Grande Motte, France, p. ?

Graff, K., Lissak, C., Thiery, Y., Maquaire, O., Costa, S., Medjkane, M., Laignel, B., 2019. Characterization of elements at risk in the multirisk coastal context and at different spatial scales: Multi-database integration (normandy, France). Appl. Geogr. 111, 102076. https://doi.org/10.1016/j.apgeog.2019.102076

Profil du candidat :
Profile required

Candidates with a research Master’s degree in computer science.

Formation et compétences requises :
Candidates should have extensive knowledge of image processing, including deep learning techniques and their implementation in software and hardware. Fundamental notions of remote sensing are also welcome. Fluency in English is essential. Autonomy, scientific rigor and great motivation for the proposed subject will be undeniable assets for the successful completion of the thesis.

Adresse d’emploi :
Orleans University – Polytech Orleans
12 Rue de Blois, 45100 Orléans

BRGM
3 Av. Claude Guillemin, 45100 Orléans

Candidates must submit the following documents in a single pdf file:
CV + cover letter + Master’s grades – optional letters of recommendation.

Contact us :

yves.lucas@univ-orleans.fr c.gracianne@brgm.fr c.negulescu@brgm.fr

Document attaché : 202404211103_PhD_PRISME_BRGM_IASIS_2024.pdf

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

Laboratoire/Entreprise : IRISA – Rennes
Durée : CD 3 ans
Contact : nathalie.girard@irisa.fr
Date limite de publication : 2024-06-30

Contexte :
L’équipe de recherche Shadoc (anciennement IntuiDoc) (https://www-shadoc.irisa.fr/) de l’IRISA travaille sur l’analyse et la reconnaissance de tracés et de gestes manuscrits réalisés sur surfaces 2D : tablettes et écrans tactiles. Nous nous intéressons notamment à la conception de moteur de reconnaissance de formes et aux nouveaux usages autour de l’interaction gestuelle sur des surfaces tactiles.

L’équipe travaille sur le développement d’environnements numériques innovants sur tablette stylet pour l’éducation, avec le pilotage de plusieurs travaux récents sur l’apprentissage de l’écriture manuscrite pour les classes de primaire et de maternelle, ou sur la production de schémas de géométrie pour les classes de collège.

Sujet :
Ce sujet de thèse s’inscrit dans la thématique des enjeux sociétaux autour de l’IA pour l’éducation. Il fait suite aux travaux de recherche effectués sur la conception de Systèmes Tutoriels Intelligents (STI) pour l’aide à l’apprentissage par le dessin. Nos précédents travaux ont notamment porté sur les thématiques pédagogiques de l’aide à l’apprentissage de la géométrie au collège et sur les schémas d’anatomie dans les formations de Santé. Ces travaux reposent sur des études qui ont démontré que l’introduction d’activités de dessin scientifique dans des cours permettait d’améliorer les performances d’apprentissage des étudiants. Les systèmes tutoriels intelligents permettent de développer des stratégies d’apprentissage personnalisées très efficaces en produisant automatiquement des feedbacks correctifs ou de guidage qui sont adaptés.

Les systèmes tutoriels intelligents [7, 8, 9] sont nés du couplage de deux domaines : l’intelligence artificielle et l’e-éducation. Pour les concevoir, le principe est de modéliser la connaissance experte qui permettra au système d’analyser ensuite automatiquement les actions de l’apprenant. L’analyse porte à la fois sur la reconnaissance des tracés manuscrits semi-structurés, et sur l’analyse de la validité de l’action relativement aux contraintes du problème (protocole de résolution de problème, étapes de dessin).

Dans ce travail de recherche, nous explorerons un nouveau challenge qui consiste à travailler sur un module de génération automatisée de règles expertes (mode auteur) pour appréhender la modélisation structurelle (et compositionnelle) semi-supervisée de schémas. L’ambition est de pouvoir prendre en entrée de l’apprentissage du STI pour générer les règles, aussi bien des schémas structurés (comme pour la géométrie) que des schémas semi-structurés, tel que les schémas d’anatomie.
En facilitant par l’apprentissage semi-supervisé la création des modèles de connaissances adossés aux STI, on permettra d’étendre leurs champs applicatifs à d’autres disciplines pour appréhender par exemple des schémas décrivant des processus ou encore des schémas scientifiques (chimie, biologie, physique…).

Contacts : eric.anquetil@irisa.fr; nathalie.girard@irisa.fr

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
laboratoire IRISA, équipe Shadoc, Rennes, France

Document attaché : 202404201028_sujetTèse_EA_Shadoc_2024 V2.pdf

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

Laboratoire/Entreprise : IRISA/ATERMES
Durée : 36 mois
Contact : minh-tan.pham@irisa.fr
Date limite de publication : 2024-05-15

Contexte :
Please find the full PhD topic here: http://www-obelix.irisa.fr/files/2024/04/PhD_Cifre2024_IRISA_ATERMES.pdf

ATERMES is an international mid-sized company, based in Montigny-le-Bretonneux with a strong expertise in high technology and system integration from the upstream design to the long-life maintenance cycle. It specializes in offering system solution for border surveillance. Its flagship product BARIER™ (“Beacon Autonomous Reconnaissance Identification and Evaluation Response”) provides ready application for temporary strategic site protection or ill-defined border regions in mountainous or remote terrain where fixed surveillance modes are impracticable or overly expensive to deploy. As another example, SURICATE is the first of its class optronic ground “RADAR” that covers very efficiently wide field with automatic classification of intruders thanks to multi-spectral deep learning detection.

Sujet :
The project aims at providing deep learning-based methods to detect objects in outdoor environments using multispectral data in a low supervision context, e.g., learning from few examples to detect scarcely-observed objects. The data consist of RGB and IR (Infra-red) images which are frames from calibrated and aligned multispectral videos.

Few-shot learning [1][2], semi-supervised learning [3][4] and continual learning [5][6] are among the most widely-used frameworks to tackle this task. For the first approach based on few-shot object detection (FSOD), the recent trend has relied on using meta learning or transfer learning approaches [1:1]. Yet, realistic settings including scarce objects may exist a domain shift that makes the task more challenging. The second approach based on semi-supervised learning considers a large amount of unlabeled data in the training process to foster the representation capacity of deep models, improving the peformance of object detection from a small amount of labeled samples. As the third approach, continual learning [5:1] aims to maintain the performance of the deep models on old categories and avoid the “catastrophic forgetting” phenomenon when learning new object categories. It has been also integrated into a FSOD task [7] to ensure that few-shot object detectors could learn new object concepts without forgetting previous object categories that still exist in prediction phase. Last but not least, with the dramastically rapid evolution of research in AI, another challenge to tackle is the investigation of modern AI models, and more specifically foundation models which involves multimodal transformers [8][9]. Indeed, these large machine learning models trained on a vast quantity of data at scale have been designed to be adapted to a wide range of downstream tasks (including object detection, see for instance UniDetector [10]) or CLIP2 [11]. These models leading to zero-shot object detection could very well be the ultimate answer for the task of having a true scene understanding.

Profil du candidat :
MSc or Engineering degree with excellent academic track and proven research experience in the following fields: computer science, applied maths, signal processing and computer vision;

European nationality required

Formation et compétences requises :
Experience with machine learning, in particular deep learning;

Skills and proved experience in programming (Python is mandatory and knowledge about frameworks such as Pytorch is a real plus);

Excellent communication skills (spoken/written English) is required ;

Ambition to publish at the best level in the computer vision community (CVPR, ICCV, TPAMI, …) during the thesis.

Adresse d’emploi :
IRISA, Université Bretagne Sud, 56000 Vannes

Document attaché : 202404161424_PhD_Cifre2024_IRISA_ATERMES.pdf

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

Laboratoire/Entreprise : Laboratoire GREYC
Durée : 36 mois
Contact : jean-luc.lamotte@unicaen.fr
Date limite de publication : 2024-05-15

Contexte :

Sujet :
Les laboratoires de recherche GREYC(informatique) et CERMN (pharmacologie) travaillent depuis de nombreuses années au sein d’un groupe commun pour développer des méthodes informatiques innovantes afin de traiter des données liées aux médicaments et notamment d’essayer de prédire et de comprendre le mode d’action d’une nouvelle molécule à partir de connaissances extraites sur un ensemble de molécules.

Les molécules pouvant être modélisées par des graphes, il est possible d’apprendre à un GNN (Graph neural network) à classifier ou prédire l’action de molécules, mais actuellement, aucune explication sur la prise de décision du réseau n’est donnée. L’explicabilité des réseaux est fondamentale dans la prédiction des propriétés thérapeutiques de molécules. En effet, celle-ci permet~:

– de valider les prédictions avant d’engager des efforts et des moyens sur les synthèses d’une série moléculaire

– d’obtenir une intuition sur les propriétés physico-chimiques clés que doit posséder une molécule pour avoir une action biologique ciblée.

L’objectif de cette thèse est de proposer des solutions pour expliquer les décisions que prend un réseau de neurones opérant sur des graphes en vue de l’appliquer sur des données des molécules chimiques. Aucune connaissance en chimie thérapeutique n’est requise.

Profil du candidat :
La personne candidate doit être inscrit en dernière année d’un Master ou d’un diplôme d’ingénieur, ou être titulaire d’un tel diplôme, dans un domaine lié à l’informatique ou aux mathématiques appliquées, et posséder de solides compétences en programmation. Une expérience en informatique pour la Science des Données, l’apprentissage profond, … sera un plus. La personne doit avoir des capacités à rédiger des rapports scientifiques et à communiquer des résultats de recherche lors de conférences en anglais.

Formation et compétences requises :

Adresse d’emploi :
Equipe CODAG, laboratoire GREYC, Université de Caen Normandie

Document attaché : 202404161409_theseExplicabilite.pdf

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

Laboratoire/Entreprise : Laboratoire d’Informatique et Société Numérique
Durée : 36 mois
Contact : malika.kharouf@utt.fr
Date limite de publication : 2024-05-15

Contexte :

Sujet :
L’optimisation de la maintenance des systèmes de production industrielle est une préoccupation majeure des responsables de la maintenance qui souhaitent implanter les politiques les plus pertinentes aux plans techniques et économiques. Des politiques de maintenance préventive basée sur l’âge existant d’ores et déjà sur le marché commencent à ne plus répondre au besoin personnalisé et éco-responsable en exploitant au plus juste les ressources. Dans ce contexte, l’évolution de la maintenance classique à une maintenance « intelligente » est devenue un sujet important. La maintenance prévisionnelle s’impose comme une solution efficace car elle permet non seulement d’anticiper des pannes à l’avance grâce à la surveillance du fonctionnement du système et à la prédiction de son état de santé, mais aussi d’optimiser des ressources humaines et matérielles pour diminuer le coût de la maintenance et la gravité des conséquences d’une panne.

Avec la diffusion d’aujourd’hui des nouvelles technologies numériques utilisant des objets connectés, l’internet des objets, le big data, l’intelligence artificielle et plus généralement la science des données, la maintenance prévisionnelle est de plus en plus adoptée et adaptée et fait émerger dans des actions stratégiques majeures au sein des entreprises. À titre d’exemple, Air France – KLM a exploité les historiques de vol des A-380 et des atterrissages à Paris pour établir un programme Big Data permettant de détecter une panne possible en moins d’une heure et d’établir son diagnostic en cinq minutes. Un projet Big Data de SNCF Transiliens vise à automatiser le diagnostic des pannes à partir de données issues des rames connectées en temps réel, offrant ainsi une vision plus précise et complète de l’état du matériel.

Malgré ses attentes prometteuses, la mise en œuvre de la maintenance prévisionnelle reste encore un grand défi par manque de connaissance en temps réel sur l’état de santé du système. La construction en ligne des indicateurs de dégradation d’un système à partir des données de surveillance est donc une question centrale de la maintenance prévisionnelle. Il s’agit de prendre en compte des données de plus en plus abondantes et de types différents (Big Data) issues de réseaux de capteurs dans la construction de l’indicateur. Cet indicateur doit être simple à dimension réduite et ayant pour but d’estimer le temps de vie résiduel du système. Cette approche nécessite souvent de se munir d’un grand nombre de capteurs, ce qui peut être coûteux. Ainsi, l’élaboration d’un indicateur de dégradation équilibrant qualité et économie est un enjeu majeur.

D’un point de vue scientifique, cet enjeu implique trois problématiques principales.
1. Développer une méthode de réduction de la dimension des données adaptée à la fois aux contextes supervisé et non supervisé.
2. Spécifier, parmi les capteurs prévus, l’emplacement des capteurs permettant des données significatives pour la construction des indicateurs de dégradation.
3. Élaborer des indicateurs de dégradation à partir des données retenues et les valider.

L’objectif de cette thèse est de développer un nouvel outil pour résoudre les trois problématiques ci-dessus.

Profil du candidat :
Master 2 recherche, compétences en Probabilité et Statistique, machine learning, Python ou R.

Formation et compétences requises :

Adresse d’emploi :
Université de technologie de Troyes
12 rue Marie Curie
10300, Troyes

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

Laboratoire/Entreprise : CLERSÉ/CRIStAL
Durée : 36 mois
Contact : Maxime.Morge@univ-lille.fr
Date limite de publication : 2024-05-01

Contexte :
La thèse s’inscrit dans le projet RORES-CL qui bénéficie du soutien financier du CNRS à travers les programmes interdisciplinaires de la MITI. Elle s’appuie sur la complémentarité des expertises du CLERSÉ (Centre Lillois d’Études et de Recherches Sociologiques et Économiques) et du laboratoire CRIStAL (Centre de Recherche en Informatique, Signal et Automatique de Lille) à l’Université de Lille.

Sujet :
Cette thèse s’inscrit dans le projet RORES-CL qui consiste à élaborer un modèle multi-agents explicatif des phénomènes sociaux qui se déploient sur les plateformes numériques publiques de questions-réponses telles que Stack Overflow. Adoptant une approche interdisciplinaire mêlant sociologie et informatique, ce projet cherche à appréhender les dynamiques sociales qui résultent de l’observation empirique des comportements individuels dans les communautés en ligne. Les travaux du ou de la doctorant·e qui sera recruté·e sur le projet se focaliseront sur les communautés de data analysts qui partagent un intérêt pour les outils informatiques d’analyse statistique sur la plateforme Stack Overflow (e.g. R ou Pandas). Le programme privilégie l’exploration et la démarche inductive en vue de poser les bases de la théorisation et de la modélisation centrée « individus ».

Dans la mesure où la plateforme Stack Overflow est une organisation qui crée de l’action collective, elle peut être modélisée à travers le concept classique de rôle social (Linton, 1936 ; Merton, 1949). Comme les interactions génèrent à la fois les rôles sociaux et le statut social à travers la reconnaissance de l’expertise individuelle et le développement du score de réputation, l’analyse des interdépendances relationnelles à l’aide d’un modèle multi-agents (Gilbert, 1994) est un enjeu fort de cette recherche doctorale pour dépasser le caractère désincarné des données numériques. Elle requiert une solide démarche empirique de construction des hypothèses à partir de l’observation quantitative des comportements sur la plateforme, préalable à tout parti pris théorique ou méthodologique (analyse de réseaux, simulations, système multi-agents). Dans le cadre d’une démarche sociologique ouverte, l’enrichissement des données disponibles dans le cadre du projet est donc une possibilité laissée à la libre appréciation du/de la doctorant·e (entretiens, observations, accès à d’autres archives).

Des travaux préliminaires et exploratoires ont abouti à un entrepôt de données massives qui donne à voir à la fois les comportements des individus à l’échelle micro et les dynamiques collectives à l’échelle macro, tandis que l’approche en termes de réseaux permet de repérer, à l’échelle méso, différents phénomènes complexes au sein de chaque communauté (Delarre et al, 2023). Le doctorant aura pour mission :
1. d’enrichir le jeu de données aux autres actions de régulation associées aux rôles de modération comme les votes, les commentaires, à d’autres communautés/langages et d’un point de vue diachronique ;
2. d’étendre les analyses descriptives et de réseau à ces jeux de données à partir des concepts et hypothèses issues des études bibliographiques menées en parallèle ;
3. de calibrer le modèle à partir de l’observation des résultats empiriques des analyses.

Références bibliographiques
• Ralph Linton. 1936. « The Study Of Man: An Introduction » D. Appleton-Century Company, New York.
• Robert K. Merton. 1949. « Social Theory and Social Structure ». Free Press.
• Nigel Gilbert, éd. « Simulating societies : the computer simulation of social phenomena ». UCL Press, 1994.
• Sébastien Delarre, Fabien Eloire, Antoine Nongaillard, Maxime Morge. 2023. « Modèle explicatif de la sécession des experts dans les communautés de pratiques ». 31èmes journées francophones sur les systèmes multi-agents (JFSMA), Strasbourg, France. pp.65-74.

Profil du candidat :
Le poste nécessite une solide formation en théorie sociologique et en analyse de données, de bonnes aptitudes de communication orale et écrite — en français (C1) et en anglais (B2) — pour présenter aux congrès et rédiger des articles dans des revues scientifiques. Nous recherchons un·e jeune chercheur·se qui saura s’impliquer dans son projet, curieux·se, ayant une certaine autonomie et une forte motivation pour développer une triple compétence en sociologie des réseaux et en simulation multi-agents et en science des données. De plus, le candidat devra être apte à travailler en équipe dans un projet interdisciplinaire.

Formation et compétences requises :
Le candidat devra être titulaire d’un master en Sociologie ou d’un diplôme d’ingénieur en Informatique.

Adresse d’emploi :
https://emploi.cnrs.fr/Offres/Doctorant/UMR8019-FABELO-001/Default.aspx?lang=FR

Les candidatures devront inclure :
• une lettre de motivation (une page minimum). Les lettres de motivation génériques seront ignorées ;
• un curriculum vitae (CV) ;
• des lettres de recommandation de deux personnes de référence ;
• le relevé de notes du master ou d’école d’ingénieur.

Document attaché : 202404102249_ficheDePosteRORESBilingue.pdf