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

Laboratoire/Entreprise : IMT Atlantique (Brest), LAB-STICC (UMR CNRS 6285)
Durée : 3 ans
Contact : lina.fahed@imt-atlantique.fr
Date limite de publication : 2023-08-31

Contexte :
Environnement académique : IMT Atlantique, reconnue internationalement pour la qualité de sa recherche, est une grande école d’ingénieur généraliste dépendant du ministère en charge de l’industrie et du numérique. Sur 3 campus, Brest, Nantes et Rennes, IMT Atlantique a pour ambition de conjuguer le numérique et l’énergie pour transformer la société et l’industrie, par la formation, la recherche et l’innovation. Avec 290 chercheurs et enseignants-chercheurs permanents, 1000 publications et 18 M€ de contrats, elle encadre chaque année 2300 étudiants. Ses formations s’appuient sur une recherche de pointe, au sein de 6 unités mixtes de recherche dont elle est tutelle : Lab-STICC, GEPEA, IRISA, LATIM, LS2N et SUBATECH.
Le poste sera basé au département LUSSI dans le campus de Brest d’IMT Atlantique. Le département compte environ 65 personnels dont 21 enseignants chercheurs permanents. Le département propose une approche pluridisciplinaire des transitions numérique et technologique des systèmes sociotechniques. Il est partie prenante du laboratoire de recherche Lab-STICC (UMR CNRS 6285). Le ou la futur-e doctorant-e fera partie de l’équipe DECIDE du Lab-STICC qui fournit des solutions d’aide à la décision aux décideurs confrontés à des données hétérogènes et complexes. L’équipe travaille sur 3 axes de recherche : données, décision et information. Pour cela elle développe des travaux en fouille de données, apprentissage machine, théorie des graphes, optimisation, aide à la décision et fusion de données.

Description du projet : Dans de plus en plus de secteurs, les techniques d’intelligence artificielle sont proposées afin de comprendre, prédire, représenter de nombreux phénomènes et connaître les relations de cause à effet (la causalité) entre les phénomènes étudiés, notamment pour assister les experts d’un domaine dans leur prise de décision.
Cependant, l’opacité et la complexité de certains modèles dits « boites noires » ont été récemment largement dénoncées (Miller, 2018). Par conséquent, le domaine de l’Intelligence Artificielle eXplicable (XAI) a pris de l’ampleur face aux modèles d’IA de plus en plus complexes et opaques, et surtout suite au règlement européen général de protection de données (RGPD) qui donne droit aux individus d’exiger une explication des processus de traitement automatique de données les concernant (Goodman et Flaxman, 2017). Ces nouvelles méthodes de XAI permettent aux experts de mieux comprendre la décision proposée par le modèle d’IA, d’être guidés dans le choix des actions à effectuer, et de développer un certain degré de réflexivité vis-vis du modèle et d’apporter une interaction optimale avec celui-ci (Fahed et al., 2018 ; Chraibi Kaadoud et al., 2021 ; Chraibi Kaadoud, et al., 2022 ; Saeed et al., 2023).

Sujet :
Le sujet de thèse s’inscrit dans le domaine de l’intelligence artificielle explicable, de l’apprentissage automatique et de la science des données. Le travail de recherche sera mené au sein du projet ANR intitulé «Les effets de l’Intelligence Artificielle sur l’Activité Policière : nouveaux régimes de quantification, diversification du marché et redéfinition des dispositifs de sécurité urbaine (ANR IAAP, ANR-21-CE26-0023-01) ». Le ou la futur-e doctorant-e fera partie de l’équipe projet composée de chercheurs en informatique et en sociologie.
De manière globale, ce projet étudie plusieurs cas de « safe city » et de « smart city » (Paris, Marseille, Montpellier, Montréal et Toronto) utilisant notamment des technologies de vidéosurveillance automatisée et de prédiction de phénomènes criminels et délictuels (Castagnino, 2019), notamment par de l’apprentissage automatique. L’objectif général du projet est d’analyser les effets concrets de l’IA dans le travail policier. Deux grands questionnements articulent la recherche :
– Comment la mise en place des systèmes d’IA change les modes de connaissance et de représentation des phénomènes de délinquance ? Comment comprendre et représenter ces phénomènes dans un système d’IA ? Comment l’intégration des connaissances des experts améliore la transparence et l’explicabilité du système IA ?
– Comment détecter et intégrer les préoccupations politiques et sociales dans les productions scientifiques et techniques, i.e. un système d’IA pour la sécurité urbaine, liées notamment aux risques de biais et de discriminations ?

Objectifs de la thèse et contributions attendues
Données hétérogènes disponibles : Le ou la futur-e doctorant-e aura à disposition une première source de données : les analyses sociologiques issues des enquêtes de terrain réalisées par les chercheurs en sociologie qui font partie du projet ANR IAAP. Ces analyses sociologiques représentent une source de données « non numériques » qui peuvent servir à corriger, informer et compléter les sources de données numériques, c-à-d. les données issues de capteurs et autres données publiques (comme celles disponibles sur data.gouv.fr) sur les phénomènes de délinquance. En permettant de les contextualiser et d’en faire ressortir certains biais, l’apport attendu est d’améliorer la compréhension de ces phénomènes à partir de l’analyse, de la compréhension et de l’extraction de connaissances pertinentes des donnés à la fois qualitatives et quantitatives. Cependant, la nature et hétérogénéité de ces deux sources de données rendent la tâche de fusion très complexe. Afin de représenter de telles données hétérogènes, des approches à base de graphes de connaissances temporels seront à étudier (Xu et al., 2020) vue leur apport dans des systèmes explicables (Goebel et al., 2018).
Approches à proposer : l’objectif de la thèse est de proposer un système d’IA à base d’apprentissage automatique non-biaisé et explicable. Cela sera réalisé en deux étapes :
1- Détection de biais : les sources potentielles de biais et les préjugés potentiels doivent être identifiés en confrontant différentes sources(expertises professionnelles, enquêtes empiriques, etc.). Les biais algorithmiques doivent également être détectés : biais des données, biais statistiques, biais de traitement, biais des experts (Mehrabi et al., 2021). Le défi réside dans la définition d’une équité adaptée au cadre des activités policières et l’intégration des résultats d’analyses sociologiques dans une mesure de détection de biais.
2- Système IA explicable : un système à base d’apprentissage automatique, principalement non- supervisé sera proposé afin d’extraire les connaissances et de les représenter de manière transparente. Nous proposons de représenter une explication sous formes multiples : un ensemble de statistiques, visualisations, règles, et termes sémantiques. Des techniques à base de graphes de connaissances temporels seront étudiées (JI et al., 2021 ; Tiddi et al., 2022). Le défit ici réside (i) dans la définition d’un équilibre entre transparence (i.e. explicabilité) et performance afin de s’assurer que le modèle d’apprentissage fonctionne conformément aux attentes et ne propage pas de biais, et (ii) dans la validation quantitatives et qualitatives des formes d’explication .

Un état de l’art sur ces sujets sera à réaliser.

Le ou la doctorant-e pleinement intégré-e au projet ANR IAAP sera amené-e à :
– Contribuer à la réflexion collective de l’équipe projet via une participation active aux réunions et séminaires du projet.
– Contribuer à la rédaction d’articles scientifiques.
– Participer aux actions de valorisation et de diffusion des résultats obtenus (séminaires, conférences, …).

Profil du candidat :
– La ou le candidat(e) doit avoir un diplôme de Master et/ou Ingénieur dans des domaines liés à l’informatique, science des données, mathématiques appliquées, statistique ou traitement de signal.
– Avoir une aptitude au développement de méthodes d’intelligence artificielle, machine learning, statistique, analyse des données. Des connaissances en traitement automatique des langues sera appréciée. Une appétence pour le dialogue interdisciplinaire et la sociologie sera valorisée.
– Être familier avec certains outils informatiques/langages : python (scikit-learn, Pandas, NumPy), …
– Avoir un bon niveau d’anglais écrit et oral. Avoir la capacité de communiquer en français (niveau A2 minimum).

Formation et compétences requises :
– La ou le candidat(e) doit avoir un diplôme de Master et/ou Ingénieur dans des domaines liés à l’informatique, science des données, mathématiques appliquées, statistique ou traitement de signal.
– Avoir une aptitude au développement de méthodes d’intelligence artificielle, machine learning, statistique, analyse des données. Des connaissances en traitement automatique des langues sera appréciée. Une appétence pour le dialogue interdisciplinaire et la sociologie sera valorisée.
– Être familier avec certains outils informatiques/langages : python (scikit-learn, Pandas, NumPy), …
– Avoir un bon niveau d’anglais écrit et oral. Avoir la capacité de communiquer en français (niveau A2 minimum).

Adresse d’emploi :
IMT Atlantique, campus Brest

Document attaché : 202304121330_offre de thèse IMT Atlantique Brest en XAI.pdf

Offre en lien avec l’Action/le Réseau : BigData4Astro/– — –

Laboratoire/Entreprise : LS2N, Nantes
Durée : 3 ans
Contact : Sebastien.Bourguignon@ec-nantes.fr
Date limite de publication : 2023-04-23

Contexte :
URGENT la date limite de candidature est dans deux semaines (le 23 avril).

Le sujet est ici : https://box.ec-nantes.fr/index.php/s/L2MrRy67bk3Q9Qq

Site de candidature : https://theses.doctorat-bretagneloire.fr/sis/campagne-2023/optimisation-exacte-parcimonie-et-contra/++add++Candidate

Contact : Sébastien Bourguignon , Frederic Schmidt

Sujet :
Cette thèse financée vise à formuler le problème d’analyse de données hyperspectrales dans le formalisme de l’optimisation MIP (Mixed Integer Programming). Cette nouvelle approche permettra la résolution exacte des problèmes d’estimation sous-jacents par des algorithmes dédiés, là où les méthodes existantes cumulent erreur de modèle et erreur d’estimation par approches sous-optimales. La forte originalité de ces travaux réside en un changement de paradigme où, plutôt que de réaliser l’estimation au sens classique de l’optimisation d’un critère à solution unique (laquelle s’avère souvent ininterprétable en raison du trop fort niveau de bruit sur les données), les méthodes développées retourneront l’ensemble de solutions acceptables, par exemple l’ensemble exhaustif des solutions parcimonieuses compatibles avec le niveau de bruit donné. Ces outils seront appliqués à des données de télédétection spatiale de la planète Mars.

Profil du candidat :
Master en traitement du signal / science des données / optimisation / recherche opérationnelle

Formation et compétences requises :
Programmation, Mathématique appliquée

Adresse d’emploi :
LS2N, Ecole Centrale, Nantes

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

Laboratoire/Entreprise : IRIT
Durée : 36 mois
Contact : hernande@irit.fr
Date limite de publication : 2023-06-04

Contexte :

France has set up a program called PEPR (Priority Research Programs and Equipment) in order to build or strengthen French leadership in scientific fields linked or likely to be linked to technological, economic, societal, health or environmental transformation and which are considered as priorities at national or European level.
In this context the program TASE – Advanced Technologies for Energetics Systems will fund
the four years collaborative project AI-NRGY – Distributed AI-based architecture of future energy systems integrating very large amounts of distributed sources. AI-NRGY aims to propose a software architecture as well as the methods, models and algorithms required to implement smart distributed solutions likely to accelerate the digitization of energy networks. Due to their highly distributed, dynamic, heterogeneous and sometimes volatile nature, as well as their status as critical infrastructure, multi-energy networks will not be able to rely on one or the other of the two data processing paradigms which have presided over their control until today: local calculation and centralized calculation. The aim of this project is therefore to contribute to the implementation of distributed intelligence solutions. The data is used for different services such as prediction of energy usage, control of local consumption, etc.
The aim is to take advantage of the different distributed computing (at the edge, on the fog and at the cloud layer) in order to respond to major constraints of future electrical networks.
To achieve this, in this PhD, we will work on providing an adaptive distributed policy in terms of access and localization of data to satisfy performance, privacy or even characteristics of support equipment, in particular to distributed AI algorithms.

Sujet :
The development of systems requiring the implementation of artificial intelligence closer to users or to data is a trend in many systems for the future. This is the case in this project around smart-grids but the problem is the same for example in smart-cities or in intelligent vehicles.
Three aspects must be considered:
– The generation of data is done with sensors, actuators or by direct interactions with users. In these systems the amount of data is massive, highly distributed, dynamic and potentially intermittent.
– The use of data is also dynamic in terms of purpose, location and access authorizations, for example.
– The viability of these complex systems implies satisfying a set of constraints (quantity of data located in one place for memory problems) and being able to provide a predefined quality of service, for example to guarantee a response time.
In this thesis, we propose to deal with all of this problem by relying on semantic models and rules to describe the data and their relationships but also to make decisions on locations, duplication, transmission of data in an edge type architecture computing. This architecture will be built on the oneM2M standard and may eventually make it possible to propose extensions in the standardization committees. Real deployment of oneM2M architecture will deploy and test semantic models and rules approaches in a real architecture.
The objective is to propose an innovative approach based on knowledge graphs representing the manipulated data as well as the systems collecting and processing them but also the uses made of these data. Knowledge graphs are known to help managing the heterogeneity and diversity of the entities involved (Tomašević et al 2015, Lork et al, 2019). Building on existing work (Lygerakis et
al., 2022) (Li et al., 2022), in particular that proposed by IRIT (Seydoux et al., 2020), an approach based on distributed reasoning will have to be put in place to deploy optimized data management as close as possible to the data being manipulated.

Profil du candidat :
The candidate must have completed a master’s degree in artificial intelligence. Knowledge in Internet of Things and distributed architectures will be a plus.

Formation et compétences requises :
The candidate should have a very good level of programming and research experience.

Adresse d’emploi :
118 Route de Narbonne, 31062 TOULOUSE

Document attaché : 202304040910_AI_NRGY_data_semantic_PhD.pdf

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

Laboratoire/Entreprise : LORIA
Durée : 36 mois
Contact : lydia.boudjeloud-assala@univ-lorraine.fr
Date limite de publication : 2023-06-15

Contexte :
Depuis quelques années maintenant, nous observons de plus en plus des températures records pouvant se produire localement, qui affecte gravement la production agricole en quantité et en qualité.
Non seulement les périodes de hautes températures sont brutales mais leur fréquence tout au long du cycle de vie d’une plante augmente également, accentuant la notion de “stress thermiques récurrents”.
Cela engage les agronomes à trouver des moyens d’augmenter la valeur génétique des cultures pour gagner en tolérance à la chaleur. En amont de la sélection végétale proprement dite, il est nécessaire de mieux comprendre les réponses des plantes aux stress thermiques isolés et récurrents qui se produisent au cours des étapes cruciales du développement des cultures.

Chaque espèce de culture a ses propres maxima de température au-delà desquels les processus de développement et physiologiques des plantes sont inhibés par des températures plus élevées.
Le terme «réponse au stress thermique» est utilisé pour exprimer les réponses aux chocs thermiques soudains, aux longues vagues de chaleur et, plus généralement, aux expériences de réchauffement qui varient en durée et en intensité.
Le stress thermique affecte négativement la croissance et le développement et, par conséquent, la qualité et la quantité.

Le sujet de thèse rentre dans le cadre du projet ANR RICCOCHETS, dont l’objectif est d’identifier les réponses des plantes aux vagues de chaleur récurrentes, en prenant en compte les différents paramètres étudiés sur les plantes tels que le phénotypage multi-échelle des plantes, les paramètres écophysiologique, et autres paramètres.

L’objet de l’étude concerne les différentes séquences du stress thermique (isolées et récurrentes) qui affectent la production céréalière (rendement et qualité) en étudiant des ensembles de données de terrain existants et ceux issues des expériences dans des conditions contrôlées.
Il s’agit principalement de la croissance de trois graines, de colza, de blé et de sorgho, trois cultures importantes qui se différencient sur plusieurs aspects : type (oléagineux et céréales), les saisons de culture (par exemple, floraison printanière ou estivale pour le sorgho), la croissance (qui peut être déterminée pour le blé et le sorgho, et de croissance indéterminée pour le colza),…

L’objectif du projet RICOCHETS est de mieux comprendre et de prédire les effets des vagues de chaleur ponctuelles et récurrentes sur la production céréalière en tenant compte à la fois de la quantité et de la qualité.

Les données à disposition ont été obtenues sur trois cultures différentes (sorgho, colza et blé), en identifiant des séquences de stress thermique (intensité, durée et position pendant les phases de reproduction) qui ont un impact sur la production végétale affectant soit le nombre de grains, la taille des grains ou les deux, avec ou sans affecter la composition biochimique des grains. En comparant les effets d’un stress thermique isolé avec ceux de séquences récurrentes de stress thermique.

Des études récentes ont mis en évidence que la réponse finale de la plante à une séquence d’événements stressants récurrents ne correspond pas à la somme des réponses individuelles à chaque événement.

Il s’agit donc dans un premier temps d’explorer les données et d’utiliser des approches non supervisée (clustering, bi-clsutering afin d’identifier l’impact du stress thermique (la chaleur) sur les paramètres de croissance et de production de la plante.
Dans un second temps de combiner les approches sélectionnées, avec les approches de découverte de relations causales.

Une relation causale décrit la relation entre deux variables, où une variable nommée traitement a un effet sur une variable nommée résultat. Les relations causales sont intéressantes dans de nombreux domaines, comme par exemple en santé pour déterminer si un médicament traite ou non une maladie, ou en politiques publiques pour comprendre si une nouvelle loi a eu un impact attendu ou non.
Lorsque des données observationnelles sont disponibles, comme dans notre cas ici avec les trois graines, l’utilisation du cadre d’étude et des résultats des bi-clusters potentiels permettra d’identifier l’impact d’un paramètre (ou plusieurs) sur la résistance au stress thermique d’une plante.

Il existe différents cadres pour étudier le problème de la découverte de relations causales à partir de données d’observation tabulaires, tels que le modèle causal structurel ou le cadre des résultats potentiels.
d’autres approches ont également été explorés dans le cadre de la gestion du réseau électrique qui pourraient être utilisés dans le cadre de ce stage .

Dans un second temps, une fois le comportement expliqué, il est demandé de proposer un modèle de prédiction afin de prévoir le comportement des plantes face aux vagues de chaleurs pour mieux appréhender ses phases. les données (entrées et sorties) pour cette partie seront issues de l’étape précédente. L’aspect temporel des données est également à prendre en compte.

Sujet :
1- Etude bibliographique sur les approches de clustering, bi-Clustering, relations causales, les données temporelles et les données biologiques des plantes.
2- Une approche exploratoire de découverte des connaissances pour identifier les séquences de stress thermique isolées et récurrentes et leurs impacts sur la production céréalière est à développer. Des algorithmes automatiques de clustering ou de bi-clustering des environnements en fonction des séquences de stress thermiques tout au long du cycle de culture seront développés pour identifier les séquences de stress thermiques ponctuels et récurrents et analyser leurs effets respectifs sur la production végétale. L’aspect explicatif sera proposé avec des approches de relations causales.
3- Développement d’une approche prédictive des réponses au stress thermique, selon les descriptions des caractéristiques des plantes découvertes en phase deux.

Profil du candidat :
Master 2 en informatique, avec des compétences en machine learning et data science.
Des compétences en biologie seraient un plus.

Formation et compétences requises :
Compétences en machine learning et data science.
Des compétences en biologie seraient un plus.

Adresse d’emploi :
Miguel Couceiro (Pr, LORIA Nancy) : miguel.couceiro@loria.fr
Lydia Boudjeloud-Assala (MCF-HDR, LORIA Metz) : lydia.boudjeloud@loria.fr

Document attaché : 202303301158_Sujet-TheseRiccochets.pdf