Stagiaire ingénieur(e) - Algorithmes séquentiels pour la quantification d'incertitude robuste. Application ferroviaire.

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.

La majorité des modèles d’apprentissage automatique fournissent des prédictions ponctuelles sans indications d’incertitude ou de confiance fiables. Cela est particulièrement problématique pour des applications critiques de l’IA, comme dans les domaines de la santé ou du transport.

La quantification d’incertitude prédictive de modèles ML consiste à évaluer aussi finement que possible l'erreur de prédiction de ces modèles, voire à la calibrer en fonction d'objectifs statistiques précis. Parmi les différentes approches existantes, la prédiction conforme combine de bonnes propriétés théoriques et une facilité de mise en œuvre. Initiée par Vovk [1] dans les années 2000, sa simplicité en a fait un outil d'intérêt croissant dans les milieux académiques [2,3] et industriels [4,5]. Bien que la majorité des travaux font l’hypothèse classique de données indépendantes et identiquement distribuées (ou, plus généralement, échangeables), de récents articles comme [6,7] ont étudié ces méthodes en présence de distribution shifts, ce qui est fondamental pour les applications.

Au sein de l’équipe DEEL, le/la stagiaire sera chargé.e de comprendre l’approche récente [7] s’appuyant sur la théorie de l’apprentissage séquentiel robuste [8], et d’évaluer sa pertinence sur un problème ferroviaire.

Les étapes du stage comprendront :

-       Un état de l’art des méthodes séquentielles pour la quantification d’incertitude robuste.

-       Une modélisation d’un ou plusieurs problèmes SNCF (ex : détection d’un rail cassé), en termes de quantification d’incertitude.

-       La conception d’algorithmes d’apprentissage séquentiel inspirés de [7], et leur évaluation sur les applications ferroviaires identifiées.

-       La documentation de toutes les étapes du développement, y compris le code, les méthodes et les résultats.

Ce stage de recherche pourrait donner suite à une thèse.

[1] V. Vovk, A. Gammerman, and G. Shafer. Algorithmic Learning in a Random World. Springer-Verlag, 2005.

[2] A. Angelopoulos, S. Bates. Conformal Prediction: A Gentle Introduction. Foundations and Trends® in Machine Learning, 16, 494-591, 2023.

[3] S. Bates, A. Angelopoulos, L. Lei, J. Malik, M. Jordan. Distribution-Free, Risk-Controlling Prediction Sets. Journal of the ACM, 68, 2021.

[4] F. de Grancey, J.-L. Adam, L. Alecu, S. Gerchinovitz, F. Mamalet, D. Vigouroux. Object Detection with Probabilistic Guarantees: A Conformal Prediction Approach. WAISE@SAFECOMP, 316-329, 2022

[5] L. Andéol, T. Fel, F. de Grancey, L. Mossina. Confident Object Detection via Conformal Prediction and Conformal Risk Control: an Application to Railway Signaling. COPA, 36-55, 2023.

[6] R.F. Barber, E.J. Candès, A. Ramdas, R.J. Tibshirani. Conformal prediction beyond exchangeability. The Annals of Statistics, 51, 816-845 , 2023.

[7] I. Gibbs, E.J. Candès. Conformal inference for online prediction with arbitrary distribution shifts. Journal of Machine Learning Research, 25, 1-36, 2024.

[8]  N. Cesa-Bianchi, G. Lugosi. Prediction, Learning, and Games. Cambridge University Press, 2006.

Tu recherches un stage de fin d’études. Niveau Bac+5 (Ingénieur ou Master 2) avec une dominante Mathématiques Appliquées, notamment en machine learning.

Nous cherchons un.e candidat.e avec les compétences suivantes :

·         Connaissances théoriques solides en machine learning et en statistiques. (Un bagage en optimisation est un plus.)

·         Maîtrise du langage de programmation Python et des bibliothèques de deep learning (par ex : TensorFlow / PyTorch).

·         Faire preuve d’autonomie, d’initiative et de rigueur.

Maîtrise de l’anglais, tant à l’écrit qu’à l’oral.

Rejoins nous !

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