Archives

Gestion dynamique et sécurisée des données de l’énergie sur une architecture FOG à l’aide de graphes de connaissances

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

Chaire de Professeur Junior (CPJ) au LITIS/INSA Rouen : « IA pour une mobilité intelligente sûre »

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

Laboratoire/Entreprise : LITIS, INSA Rouen
Durée : Chaire de Professeur
Contact : laurent.vercouter@insa-rouen.fr
Date limite de publication : 2023-04-28

Contexte :
Un poste de Chaire de Professeur Junior (CPJ) est à pourvoir pour la rentrée 2023 à l’INSA Rouen Normandie, laboratoire LITIS, sur la thématique « Intelligence Artificielle pour une Mobilité Intelligente Sûre ». Des imageries conventionnelles et non-conventionnelles aux algorithmes d’apprentissage statistique robustes, adaptables et aux approches sémantiques pour des décisions explicables.

Sujet :
Le/la candidat.e intègrera le département Informatique, Traitement de l’Information (http://iti.insa-rouen.fr) pour ses enseignements et au sein du LITIS l’équipe App (https://www.litislab.fr/equipe/app), MIND (https://www.litislab.fr/equipe/mind) ou STI (https://www.litislab.fr/equipe/sti) selon l’adéquation de son profil aux thèmes de recherche de ces équipes.

Date limite de candidature sur Galaxie : 27 avril 2023

Contact recherche : laurent.vercouter@insa-rouen.fr
Contact enseignement : geraldine.del_mondo@insa-rouen.fr

Profil du candidat :
Le profil complet est disponible sur Galaxie: https://www.galaxie.enseignementsup-recherche.gouv.fr/ensup/ListesPostesPublies/FIDIS/0760165S/FOPC_0760165S_4108.pdf

Formation et compétences requises :
–

Adresse d’emploi :
INSA Rouen Normandie

Document attaché : 202304011226_FOPC_0760165S_4108.pdf

Approches exploratoire et prédictive pour l’identification des réponses des plantes aux vagues de chaleur récurrentes

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

Offre de thèse en analyse de réseaux complexes [CIRAD – UMR TETIS, Montpellier]

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

Laboratoire/Entreprise : CIRAD – UMR TETIS
Durée : 3 ans
Contact : roberto.interdonato@cirad.fr
Date limite de publication : 2023-04-17

Contexte :
L’objectif global de cette thèse est le développement de méthodologies innovantes, basées sur les techniques d’analyse de réseaux complexes, pour l’analyse des graphes d’interaction issus de la modélisation des dynamiques paysagères.

La modélisation des dynamiques spatiales est une approche privilégiée pour étudier les processus complexes d’interaction homme-environnement qui sont au centre des systèmes d’utilisation des terres (land use system). Dans ce contexte, une nouvelle approche fondée sur le concept de graphe d’interaction a été développée au CIRAD/UMR TETIS, avec l’objectif de permettre un meilleur couplage des systèmes de modélisation avec des SIG (Système d’Information Géographique) et améliorer la modélisation des mécanismes qui sont influencés par des structures spatiales dynamiques. Le graphe d’interaction est un graphe (un ensemble de nœuds connectés par des arcs) dont les arcs peuvent porter des fonctions d’interaction. Un système représenté par des graphes d’interaction peut ainsi évoluer lorsque les fonctions d’interactions sont activées et que celles-ci modifient les entités connectées. Les éléments présents dans un espace géographique peuvent ensuite définir des relations spatiales, fonctionnelles, hiérarchiques et même sociales. La mise en œuvre de cette approche s’appuie sur le langage de modélisation Ocelet, et son environnement logiciel de développement (http://www.ocelet.org).

Sujet :
Les modèles développés avec Ocelet sont employés principalement pour simuler des dynamiques spatiales dans différents systèmes territoriaux complexes, comme par exemple, pour comparer plusieurs scénarios d’utilisation des terres. Ces modèles font généralement intervenir plusieurs graphes d’interaction dans des structures porteuses de connaissances du fonctionnement et de l’organisation du territoire. Jusqu’à présent, lors de déploiement de ces modèles, seuls les résultats de simulation sont analysés ; les graphes ne le sont pas, alors qu’ils sont une expression formelle de processus très divers qui interagissent dans le territoire. Ces analyses permettraient notamment d’expliciter les liens entre structure et fonctionnement du territoire, pour viser, à terme, la possibilité d’inférer des connaissances des processus à partir de l’exploration de données spatiales, comme celles issues d’images satellite.
Ce travail permettra d’exploiter de manière originale les modèles de simulation spatiale développés avec l’approche Ocelet, en permettant de créer de nouvelles connaissances à partir des graphes d’interaction modélisés et de ses dynamiques. Des algorithmes de classement, clustering, diffusion de l’information et prédiction des liens spécifiquement adaptés au contexte des relations caractéristiques (e.g., spatiales, fonctionnelles, hiérarchiques et sociales) entre les entités d’un système paysager pourront être développés. Ceci représentera une contribution significative aussi bien dans le domaine de l’analyse de réseaux et science des données, que dans celui de la modélisation et de l’analyse des dynamiques paysagères.
La première étape du travail de recherche est liée à la nécessité de comprendre comment les graphes d’interaction entre les éléments d’un paysage visible sur les images satellite, et qui expriment le fonctionnement du socio-écosystème présent dans le paysage, se traduisent dans la structure en réseau de ces graphes. La seconde étape consistera à développer et implémenter des méthodes d’analyse de réseaux complexes spécifiquement adaptés aux modèles pris en comptes en réponse à la question de recherche précédente. L’idée est d’obtenir une suite de méthodes d’analyse généralisables à différents contextes, qui pourront être ensuite intégrés dans la plateforme Ocelet. Pour mener ce travail, nous adopterons une démarche pluridisciplinaire, où les contributions méthodologiques proposées seront toujours soumises aux avis d’experts en modélisation spatiale des dynamiques paysagères.
Ces deux étapes seront menées d’abord sur une diversité de sites d’études pour lesquels des modèles ont déjà été développés, ou sont en cours de développement (e.g. au Burkina Faso, Sénégal, Mozambique, La Réunion, République du Congo). En particulier, cette thèse sera adossée à deux projets où TETIS est fortement impliquée, et qui mettra en œuvre des modèles spatiaux ambitieux (projet AFD/LUCCIA au Mozambique, pour aider à évaluer la stratégie nationale REDD+, et le projet PUDT Congo, pour aider à optimiser le réseau d’approvisionnement en bois-énergie d’une grande ville). Ensuite, un terrain en Afrique de l’Ouest, en lien avec la question de la sécurité alimentaire, sera privilégié. Des analyses plus contextualisées, plus en lien avec le terrain, seront menées avec une visée explicative des caractéristiques observées dans les réseaux.

Profil du candidat :

Caractéristiques attendues du candidat :

– Une solide formation en informatique (analyse des réseaux complexes et fouille de graphes, fouille de données).
– De bonnes compétences en programmation (Python préférablement) sont attendues.
– Il ou elle devrait avoir terminé (ou sur le point de terminer) un master.
– Bon niveau d’anglais écrit et parlé.
– L’intérêt et/ou une expérience dans les sciences appliquées, notamment en agronomie / environnement / géographie, et dans la mise en œuvre de modèles de simulation seront appréciés.

Formation et compétences requises :

Caractéristiques attendues du candidat :

– Une solide formation en informatique (analyse des réseaux complexes et fouille de graphes, fouille de données).
– De bonnes compétences en programmation (Python préférablement) sont attendues.
– Il ou elle devrait avoir terminé (ou sur le point de terminer) un master.
– Bon niveau d’anglais écrit et parlé.
– L’intérêt et/ou une expérience dans les sciences appliquées, notamment en agronomie / environnement / géographie, et dans la mise en œuvre de modèles de simulation seront appréciés.

Adresse d’emploi :
500 rue Jean François Breton, Montpellier

Document attaché : 202303300902_Analyse de réseaux complexes pour l’analyse de dynamique paysagère.pdf

Cognitive Cloud: Artificial Intelligence-enabled cloud-edge

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

Laboratoire/Entreprise : I3S
Durée : 12 months
Contact : raparicio@i3s.unice.fr
Date limite de publication : 2023-05-31

Contexte :
This postdoc is part of the ANR ARTIC project (ARTificial Intelligence-based Cloud network control, cf. http://www.i3s.unice.fr/~raparicio/project/artic/), of which Ramon APARICIO PARDO is the principal investigator. This project will provide the candidate with the funds and resources necessary for their activities (participation in scientific events, equipment, computer, access to computing platforms, etc.)
The postdoc will take place in the I3S laboratory, a joint public research laboratory resulting from the collaboration of the CNRS, Univ. Cote d´Azur and INRIA. The postdoc will work with experts in optimization, machine learning and telecommunications networks from the I3S and INRIA.

Sujet :
Nowadays, cloud IP traffic has become the most part of Internet traffic. A traffic that complexifies with an increasing devices diversity and traffic dynamicity . The combination of Machine Learning (ML) and Artificial Intelligence (AI) with Network Softwarization (SDN/NFV). has been proposed in the so-called Knowledge Defined Networking (KDN) to give rise to a “Cognitive Cloud:” an AI-enabled Cloud-Edge framework. This “Cognitive Cloud” will allow automatically adapting to the growing complexity and variability of Internet traffic by (i) (re)learning Cloud-Edge network control policies from data; and (ii) applying these control policies onto a (re)configurable Cloud-Edge network.

In many cases, the management of this (re)configurable Cloud-Edge network constitutes a challenging stochastic control problem, that can be modelled as Markov Decision Process (MDP) and solved under the Reinforcement Learning (RL) framework (a form of Machine Learning). Novel RL approaches could allow us to find more efficient management decisions (i.e., the control policy) to operate this Cloud-Edge network.

Then, in this postdoc, we aim to apply ML (as RL, but not uniquely) framework to the management of Cloud-Edge networks.

Profil du candidat :
Diploma required: PhD degree less than 1-2 years old in computer science / mathematics / telecommunications, with solid experience in machine learning (artificial neural networks) and computer and telecommunication networks

Formation et compétences requises :
-IT skills:
– Python 3.5 language, Python frameworks (like PyCharm, Jupiter Notebook, Spyder, Conda)
– Deep Learning Libraries (like TensorFlow, Keras)
– Networks and system (Unix, typically)
Theory:
– Machine learning and data science (namely neural network theory)
– Classical optimization theory (convex optimization, combinatorial optimization)
– Computer network control plane (algorithms and protocols)

Adresse d’emploi :
To obtain more information, send an e-mail to raparicio@i3s.unice.fr
Supporting documents for the application
• 1. Curriculum vitae, with list of publications
• 2. Cover letter
• 3. PhD diploma
• 4. PhD dissertation
• 5. Thesis (pre-)defense reports (if available)
• 6. At least two letters of recommendation and a list of three references to contact.

École Thématique AstroInformatique 2023 et Hackathon AstroInfo AISSAI

Date : 2023-06-26 => 2023-07-07
Lieu : L’école aura lieu dans le Sud-Est de la France, hébergée par le Village de Vacances Igesa « Destremau »

École Thematique AstroInformatique 2023 et Hackathon AstroInfo AISSAI
La troisième édition de l’école thématique AstroInformatique aura lieu du 26 au 30 juin et sera suivie du Hackathon AstroInfo AISSAI du 3 au 7 juillet.
L’inscription est ouverte!
L’école
Cette école a pour but de rassembler les chercheur·e·s, ingénieur·e·s et doctorant·e·s autour des nouvelles technologies du traitement de données massives en Astrophysique.
Les cours se concentreront sur des présentations et Travaux Pratiques en traitement des données, Machine learning et Deep Learning.
Le programme est disponible ici.
L’école aura lieu dans le sud-est de la France au Village Vacances Igesa « Destremau ».
Plus de détails sur la page web de l’école.
Ne tardez pas à vous inscrire, le nombre de places est limité !
Le hackathon
Dans la continuité de l’École nous organisons le Hackathon Astro AISSAI.
Le hackathon s’articule autour d’un projet scientifique et se déroulera tout au long de la semaine. Cette deuxième semaine s’adresse à des personnes ayant un peu d’expérience et le nombre de participants sera limité à 20.
Si vous êtes intéressé·e, merci de vous inscrire également sur le site du Hackathon.
Appel à propositions de projet
Nous invitons les participants “seniors” à soumettre des propositions de hack dans le domaine de l’astrophysique et de l’apprentissage automatique. Nous accueillons tous les types de projets, à condition qu’ils impliquent plusieurs participants pendant toute la semaine sur diverses tâches et conduisent à un résultat publiable.
Les candidats retenus travailleront à l’avance avec les organisateurs locaux pour préparer le matériel de hack (mise en page du projet, données ouvertes, code existant, notebook de départ, etc.).
Une connaissance préalable de l’apprentissage automatique est préférable mais non obligatoire, car une équipe locale sera disponible pour travailler avec les participants.
Veuillez soumettre vos propositions sur le formulaire d’inscription avant le 1er mai, 23h59 AOE (Anywhere on Earth).
Attention
L’inscription au hackathon et la soumission de sujet se font sur le site dédié au hackathon : https://aissai-hackathon.astroinfo.in2p3.fr/.
Thematic School AstroInformatics 2023
The third edition of the AstroInformatics thematic school will take place from June 26th to 30th, followed by the AstroInfo AISSAI Hackathon from July 3rd to 7th.
Registration is open!
The school
The goal of this school is to bring together researchers, engineers and students around new technologies for processing massive data in astrophysics.
The courses will focus on presentations and practical work in data processing, machine learning, and deep learning.
The program is available here.
The school will take place in the southeast of France at the Village Vacances Igesa “Destremau”.
More details on the school web site.
Don’t delay in registering, the number of spots is limited!
The hackathon
In the continuity of the school, we are organizing the Astro AISSAI Hackathon. The hackathon is based on a scientific project and will take place throughout the week. This second week is intended for people with some experience, and the number of participants will be limited to 20.
If you are interested in participating, please also register on the Hackathon web site.
Call for project proposals
We invite senior participants to submit hack proposals in the field of astrophysics and machine learning. We welcome all types of projects, as long as they involve and engage several participants for the entire week on various tasks and lead to a publishable result.
The successful candidates will work with local organizers in advance to prepare hack material (project layout, open data, existing code, starting notebook, etc.).
Prior knowledge of machine learning is preferable but not mandatory, as a local team will be available to work with the participants.
Please submit your proposals on the registration form before May 1st, 23:59 AOE (Anywhere on Earth).
Attention
Registration for the hackathon and submission of topics must be done on the dedicated hackathon website: https://aissai-hackathon.astroinfo.in2p3.fr/

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

Postes IA Vision et IA Robotique à l’ENSTA Paris

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

Laboratoire/Entreprise : U2IS
Durée : 3 ans (tenure track)
Contact : goran.frehse@ensta-paris.fr
Date limite de publication : 2023-04-30

Contexte :
L’ENSTA Paris ouvre deux postes d’enseignant-chercheurs au sein de son laboratoire U2IS, dans le contexte de son intégration au sein de l’Institut Polytechnique de Paris et de son projet “Compétences et Métiers d’Avenir” en Intelligence Artificielle. L’enseignement sera dispensé à l’ENSTA Paris et dans les formations IP Paris.

Les candidat(e)s retenu(e)s bénéficieront d’un « pack d’accueil » d’une bourse de thèse, ou deux demi-bourses de thèses, pour engager des travaux de recherche dans leur domaine  dans les 18 mois qui suivront leur recrutement. Un salaire attractif sera proposé en adéquation avec l’expérience.

Sujet :
Le titulaire du poste intègrera l’U2IS pour y développer son groupe de recherche en cohérence avec la stratégie et l’unité et participer aux enseignements gérés par cette dernière.

Profil du candidat :
Deux profils sont recherchés:
– Enseignant-Chercheur, niveau maitre de conférence ou professeur, orienté « Vision et Intelligence Artificielle »
– Enseignant-Chercheur, niveau maitre de conférence ou professeur, orienté « Robotique et Intelligence Artificielle »

Formation et compétences requises :
Des candidatures « junior » ou « expérimentées » sont possibles. Un candidat expérimenté avec HDR pourra obtenir le titre de Professeur accordé par la commission des titres d’ENSTA Paris.
Un salaire attractif sera proposé en adéquation avec le profil.

Adresse d’emploi :
Direction de l’unité d’informatique et d’ingénierie des systèmes (U2IS) ENSTA Paris
828, Boulevard des Maréchaux, 91762 Palaiseau Cedex

Document attaché : 202303291741_ENSTA-U2IS-EC-Robotique-Vision-IA-2023.pdf

Vers la prédiction des compositions d’équipe optimales

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

Laboratoire/Entreprise : Greyc/Skriners
Durée : 6 mois
Contact : albrecht_zimmermann@gmx.net
Date limite de publication : 2023-04-30

Contexte :
L’utilisation de méthodes informatiques pour analyser les données sportives donne aux praticiens (entraîneurs, agents, athlètes eux-mêmes) des outils puissants pour prendre des décisions plus objectives lorsqu’il s’agit d’une variété de questions qui se posent dans le sport
professionnel.
La société Skriners propose déjà un outil d’aide à la décision pour l’acquisition ou le remplacement de joueurs, basé sur des statistiques sophistiquées dérivées d’enregistrements vidéo de matchs. Skriners est un logiciel SaaS destiné aux professionnels du sport, qui leur permet de comparer, recommander et gérer des joueurs en fonction de critères statistiques.
Grâce à sa base de données complète, Skriners peut également aider à dénicher des talents prometteurs. Le logiciel propose également une fonctionnalité de gestion d’effectifs. Cette aide à la décision se limite pour l’instant aux joueurs individuels, sans tenir compte des coéquipiers ni des informations éventuelles sur les adversaires.
À long terme, l’outil doit être enrichi pour suggérer automatiquement des compositions d’équipe, sur la base des joueurs disponibles, de la stratégie de match envisagée, des informations sur l’équipe adverse, etc. Cela nécessitera de prendre en compte les synergies entre les
joueurs, ainsi que les performances de certains joueurs dans des systèmes défensifs ou offensifs donnés.

Sujet :
Le travail à effectuer dans le cadre de ce stage jettera les bases de cette recherche future, en explorant si et comment les travaux existants sur la chimie des équipes [1], le contexte de la performance des joueurs [2], et l’identification automatique des formations tactiques [3] peuvent être appliqués aux données actuellement disponibles à Skriners. Sur la base de cette évaluation, le stagiaire commencera à implémenter et à appliquer ces techniques aux données afin d’obtenir des statistiques supplémentaires, ou identifiera la manière dont les données et/ou
les méthodes doivent être adaptées.

[1] Bransen, Lotte, and Jan Van Haaren. “Player chemistry: Striving for a perfectly balanced soccer team.” arXiv preprint arXiv:2003.01712 (2020).
[2] Bransen, Lotte, Pieter Robberechts, Jesse Davis, Tom Decroos, Jan Van Haaren, Angel Ric, Sam Robertson, and David Sumpter. “How does context affect player performance in football?.” (2020).
[3] Bialkowski, A., Lucey, P., Carr, P., Yue, Y., Sridharan, S. and Matthews, I., 2014, December. Large-scale analysis of soccer matches using spatiotemporal tracking data. In 2014 IEEE international conference on data mining (pp. 725-730). IEEE.

Objectifs
– Évaluer l’applicabilité des méthodes existantes aux données disponibles à Skriners
– Évaluer les besoins et les sources possibles de données supplémentaires
Activités
– Se familiariser avec les données dont dispose Skriners
– Se familiariser avec les travaux existants dans la littérature
– Identifier s’il existe des données qui seraient nécessaires mais qui sont actuellement manquantes
– Implémenter et appliquer les méthodes existantes aux données, en générant des statistiques supplémentaires
– Identifier des sources de données supplémentaires

Profil du candidat :
Étudiant en INFORMATIQUE ou en STATPS.
Les candidats sont encouragés à postuler dès que possible.

Formation et compétences requises :
Des connaissances en programmation, ainsi qu’en apprentissage automatique/exploitation de données ou en statistiques sont nécessaires.

Adresse d’emploi :
GREYC CNRS UMR 6072
Team CODAG – Contraintes, Ontologies, Data mining, Annotations, Graphes
Université de Caen Normandie
14000 Caen, France

Skriners
38 rue de Metz
92000 Nanterre

Document attaché : 202303291007_sujet de stage Skriners.pdf

Multiscale non-linear deep learning strategies to increase the spatial resolution of Land Surface Temperature

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

Laboratoire/Entreprise : IMT Atlantique
Durée : 10 months
Contact : carlos.granero-belinchon@imt-atlantique.fr
Date limite de publication : 2023-08-01

Contexte :
Nowadays, several operational Land Surface Temperature (LST) products are available but limitations remain, notably because there is still a trade-off between spatial and temporal resolutions. Thermal sensors such as MODIS or Sentinel 3 (1km spatial resolution) provide a high revisit (daily) and ASTER or the LANDSAT series provide a low revisit with high spatial resolution (around 16 days at 90 m and 100 m). Consequently, upscaling the spatial resolution helps improving the data fusion between different sensors, the generation of LST temporal series as well as a finer-scale analysis for different applications such as the monitoring of vegetation stress, forest fires or urban heat islands among others.

A large body of research has addressed this challenge with sharpening or disaggregation methods that are based on statistical relationships between high spatial resolution products and LST at low spatial resolution (Granero-Belinchon et al. 2019). However, these statistical approaches lead to limitations such as the need of high resolution products acquired in the same area and close in time, or scale invariant hypotheses which sometimes are not adapted.

Inspired by the existing research at the interface between AI and remote sensing, new AI-models continue to appear for the processing of spaceborne images, and more precisely for super-resolution applications, notably with CNNs (Convolutional Neural Networks) and GANs (General Adversarial Networks) (Brodu et al. 2017, Gargiulo et al. 2019).

Nguyen et al. 2022 showed that important improvements are still needed to correctly adapt CNNs for LST super resolution to overcome the scale-invariance hypothesis and the blurring effect. Thus, the inclusion of a physical information can lead to better performances for LST super resolution.

Sujet :
This proposal focuses on the MODIS sensor due to the large state-of-the-art available on this mission, the dataset already processed by the involved partners and the recent studies on this sensor dealing with the super resolution of its LST previously mentioned.

Following (Brodu et al. 2017) or (Gargiulo et al. 2019), a first approach consists in combining high resolution information in the VNIR domain (NDVI for example) with coarse resolution LST to train the model for super-resolution. We call this approach Dual image super resolution (DISR). The main advantage of this approach is the direct use of high resolution information for upscaling LST.

For Single image super resolution (SISR), learning will be performed at degraded resolution. Thus for example for LST upscaling from 1 km to 250 m, training will be done from 4 km to 1 km. This strategy is commonly used when no ground truth is available at the desired resolution (in our case LST
at 250 m), see (Nguyen et al. 2022). Consequently, a scale-invariance hypothesis is assumed, i.e. the learned model from 4 km to 1 km is valid when upscaling LST from 1 km to 250 m. However, scale-invariance is not necessarily exact and so this hypothesis must be corrected. We plan to overcome it by studying the statistical evolution of LST and reflectives indices such as NDVI across the involved scales and different landscapes (a hundred of meters to several kilometers) in order to deduce physical
laws allowing us to correct the scale invariance hypothesis of current AI super resolution methods in remote sensing. For doing so, LANDSAT 9 or ASTER data will be used.

Profil du candidat :
Candidates are expected to have a PhD in Deep Learning/Machine learning with strong experience in Neural Networks. Ideally, the candidate will have previous experience in remote sensing and would have shown strong interest on these topics during her/his PhD or previous postdocs.

Formation et compétences requises :
Good skills in python, pytorch, pytorch lightning are also required, as well as a background in teamwork. Previous experience in a multidisciplinary research team will also be considered as positive.

Adresse d’emploi :
The Postdoc will work in collaboration with Carlos Granero-Belinchon and Lucas Drumetz from IMT Atlantique, Aurélie Michel and Xavier Briottet from Onera Toulouse, Thomas Corpetti from CNRS and Julien Michel from CNES. Thus, the research team is composed by physicist, and researchers on artificial intelligence, signal and image processing and remote sensing from different laboratories, leading to a multidisciplinary project. Moreover, the postdoc will develop within the OSE research team at IMT (https://cia-oceanix.github.io/) which is a dynamic research group on image processing
and artificial intelligence for the study of the environment.

The post-doctoral position is a one-year full-time appointment starting during 2023. Gross salary will depend on the experience of the candidate, up to approx. 35,000 €/year. The candidate will also benefit from French social insurance, and will have up to 45 days of annual leave. The candidate will be able to benefit up to 90 days of remote working per year.

The candidate will be based at the IMT Atlantique Campus (Brest) in a dynamic and stimulating working environment at five minutes walking from the beach.

Within the framework of the ANR Chair OCEANIX the postdoc will have access to compute servers : Datarmor and servers from OSE at IMT Atlantique.

Teaching activities at IMT Atlantique will also be proposed to the postdoc, mainly in signal processing, computer vision and artificial intelligence. These actvities, which imply an additional salary, will not be mandatory.

Motivated candidates should send a CV and a motivation letter to: carlos.granero-belinchon@imt-atlantique.fr.

The Postdoc is expected to start in 2023.

Document attaché : 202303270947_IR_CNES_TOSCA.pdf

Ouverture de postes en informatique à l’EPITA sur 5 sites pour la rentrée 2023

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

Laboratoire/Entreprise : Laboratoire de recherche de l’EPITA (LRE)
Durée : CDI
Contact : pierre.parrend@epita.fr
Date limite de publication : 2023-04-30

Contexte :
L’EPITA ouvre plusieurs postes d’enseignant·e·s-chercheur·e·s en informatique à temps complet, pour un recrutement au plus tard en début d’année scolaire 2023-2024.

Sujet :
Venez consolider nos équipes et axes de recherche (https://www.lre.epita.fr/) sur les thématiques suivantes :

– Sécurité des logiciels et des architectures :
– Détection d’attaques de sécurité (apprentissage)
– Logiciels malveillants et rétroingénierie
– Cryptographie et blockchain
– Systèmes :
– Systèmes d’exploitation et noyaux
– Informatique en nuage et virtualisation
– Systèmes embarqués
– Robotique
– Science et ingénierie des données
– Intelligence artificielle :
– Extraction de connaissances
– Apprentissage automatique apprentissage profond
– Traitement du langage naturel
– et autres sous-domaines de l’IA
– Traitement d’images, reconnaissance des formes, vision
– Automates et leurs applications (dont vérification et synthèse),
– Logiciel et performance (dont HPC, GPU).

Profil du candidat :
Profil MCF ou profil HDR ou très bientôt HDR.

Il n’est pas formellement nécessaire d’avoir la qualification aux postes de maître·sse de conférences ou de professeur·e des universités pour pouvoir postuler.

Formation et compétences requises :
Les informations précises concernant ces postes et le lien pour nous transférer votre dossier de candidature sont disponibles ici :

– https://tinyurl.com/PosteEpitaMCF pour les profils MCF,
– https://tinyurl.com/PosteEpitaHDR pour les profils HDR ou très bientôt HDR.

La date limite de candidature est le 21 avril 2023.

(La procédure de recrutement est lisible ici : https://tinyurl.com/ProcedureRecrutement2023)

Adresse d’emploi :
Les postes sont à pourvoir sur les sites de :

– Paris (Kremlin-Bicêtre et Campus Cyber à la Défense)
– Lyon
– Rennes
– Strasbourg
– Toulouse.

Accueil

L’EPITA est une école privée d’ingénieurs en informatique avec l’accréditation CTI depuis 2007, évaluée par le Hcéres (la dernière vague était en 2017-2018, la prochaine est en 2024-2025), et rattachée à l’École Doctorale “EDITE de Paris” (ED 130).