Stage - Explicabilité par l’exemple en Deep Learning H/F

L’Institut de Recherche Technologique (IRT) Saint Exupéry est un accélérateur de science, de recherche technologique et de transfert vers les industries de l’aéronautique et du spatial pour le développement de solutions innovantes sûres, robustes, certifiables et durables.

Nous proposons sur nos sites de Toulouse, Bordeaux, Montpellier, Sophia Antipolis et Montréal un environnement collaboratif intégré composé d’ingénieurs, chercheurs, experts et doctorants issus des milieux industriels et académiques pour des projets de recherche et des prestations de R&T adossés à des plateformes technologiques autour de 4 axes : les technologies de fabrication avancées, les technologies plus vertes, les méthodes & outils pour le développement des systèmes complexes et les technologies intelligentes.

Nos technologies développées répondent aux besoins de l'industrie, en intégrant les résultats de la recherche académique.

Le Deep Learning est un domaine qui connait une croissance fulgurante ces dernières années grâce aux performances des modèles qu’il produit. Cependant, le fonctionnement de ces modèles reste obscur, ainsi, une plus grande diffusion de ces modèles nécessite une meilleure compréhension de ceux-ci. C’est là qu’intervient l’explicabilité.

Missions :

L’objectif du stage sera d’investiguer et d’appliquer différente méthodes d’explicabilité, en particulier, des méthodes d’explicabilité par l’exemple. Le principe de ces méthodes est de justifier une décision en comparant le cas étudié à des cas « similaires » du passé. Ici, définir la similarité est la clé des méthodes par l’exemple et le passé correspond au dataset d’entraînement.

Le stage se découpera en quatre parties :

1. Etudier la littérature autour de l’explicabilité par l’exemple. (Notamment grâce à l’étude de différents surveys [Keane and Kenny - 2019], [Van der Waa et al. - 2020])
2. Implémenter des méthodes de l’état de l’art et potentiellement proposer de nouvelles méthodes. ([Kim et al. - 2016], [Kenny et al. - 2021])
3. Réaliser un benchmark afin de comparer ces méthodes.
4. Intégrer ces méthodes dans notre librairie d’explicabilité open-source. (Xplique github)

Etudiant(e) en dernière année d’école d’Ingénieur ou Master 2 en mathématique : deep learning, optimisation

Ouverture d’esprit / Capacités d’initiative et de proposition / Rigueur / Curiosité.

Stage de 6 mois.