Stagiaire Ingénieur(e) : Evaluation d’explications basées-examples pour le Deep Learning

A l’IRT Saint Exupéry nous réalisons des projets de Recherche en Technologie collaboratifs, principalement pour les secteurs aéronautique et spatial.

Créé et cofinancé par l’Etat et nos partenaires industriels, notre mission est d’accélérer la recherche technologique française au profit de l’écosystème national, en créant un pont entre le monde académique et l’industrie. 

Ici, tu travailleras dans un environnement collaboratif avec des équipes issues du monde académique, industriel, du personnel détaché par de grands groupes, des chercheurs ou encore des doctorants.

Notre force c’est le niveau d’expertise de nos collaborateurs et nos plateformes technologiques différenciantes : https://storage.net-fs.com/hosting/6834310/4/

Pourquoi nous rejoindre ?

-      Prendre part à des projets de recherche innovants

-      Vivre ta passion pour la technologie 

-      Te Développer dans un environnement collaboratif intégré et multiculturel

Quelques-uns de nos avantages :

Un environnement éthique engagée: Gender Equality Plan , la prise en compte des enjeux environnementaux, sociaux, économiques et éthiques dans leurs activités via un Gender Equality Plan et une politique R.S.E. ambitieuse.

Un CSE dynamique : clubs, activités, offre culturelle

La prise en charge des déplacements éco-responsables (75% de ton abonnement transports en commun) ainsi qu'une prime mobilité douce.

Saches que l’IRT Saint Exupéry s’engage pour la diversité et l’inclusion. Toutes les candidatures à ce poste seront étudiées sans différence de traitement liée au sexe, à l’âge, à la nationalité ou tout autre critère discriminant. Tous nos postes sont ouverts aux personnes en situation de handicap.

Les modèles de Deep Learning ont révolutionné de nombreux domaines grâce à leur capacité à apprendre des représentations complexes à partir de grandes quantités de données. Cependant, ils sont souvent perçus comme des boîtes noires, ce qui rend difficile la compréhension de leurs comportements et décisions. Le domaine de l’explicabilité vise à résoudre ce problème en fournissant des éléments pour comprendre le comportement et les décisions des modèles d’IA. C’est une des thématiques du projet DEEL dans lequel s’inscrit le stage.

Parmi les approches d’explicabilité, l’utilisation d’exemples comme explications, connue sous le nom d’explicabilité basée sur les exemples [Poché et al., 2023], est particulièrement notable. Cette méthode présente des instances spécifiques du jeu de données pour illustrer ou influencer les prédictions du modèle, aidant ainsi à comprendre les raisons sous-jacentes à une décision. Cependant, il existe peu de métriques pour évaluer la qualité de ces explications, ce qui complique la comparaison et l’évaluation de différentes approches dans des contextes pratiques.

Le but du stage est donc d’étudier/comparer/concevoir des métriques d’évaluation pour l’explicabilité basée exemple. Dans le détail, le stagiaire devra:

-       Lire des papiers de recherches scientifiques en relation avec le sujet.

-       Prendre en main la librairie d’explicabilité Xplique [Fel et al., 2022].

-       Implémenter des métriques, trouvées dans la littérature et imaginées par le stagiaire.

-       Comparer les métriques de manière rigoureuse. Le travail pourrait amener à l’écriture d’un article scientifique.

-       Intégrer les métriques à la librairie Xplique.

Tu recherches un stage de fin d’études de niveau Bac+5 (Ingénieur, Master) en cursus Machine Learning, Mathématiques Appliquées, Informatique ou une discipline associée. Nous cherchons un.e candidat.e avec les compétences suivantes:

-       Connaissances théoriques solides en Machine Learning et Deep Learning, en particulier sur les réseaux

des neurones.

-       Expérience avec les librairies de Deep Learning modernes, en particulier PyTorch et/ou TensorFlow.

-       Familiarité avec l’écriture scientifique sur LaTex.

-       Être capable de lire, écrire et s’exprimer en anglais.

Rejoins nous !

"Ne prévois pas ton futur, rends-le possible"