Direction scientifique
Transfert de connaissances vers l'industrie

Nos Thèses par thème

Défis technologiques >> Data intelligence dont Intelligence Artificielle
22 proposition(s).

Toutes les offres [+]

Injection de fautes et Intégrité des réseaux de neurones embarqués : attaques, protections, évaluation

Département Systèmes (LETI)

Laboratoire Sécurité des Objets et des Systèmes Physiques

Intelligence Artificielle; Microélectronique; Systèmes embarqués

01-02-2021

SL-DRT-21-0159

pierre-alain.moellic@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Une des tendances majeures de l'Intelligence Artificielle aujourd'hui est le déploiement massif des systèmes de Machine Learning sur une multitude de plateformes embarquées. La majorité des fabricants de semi-conducteurs proposent des produits « compatibles A.I. », principalement pour des réseaux de neurones pour de l'inférence. La sécurité est un des grands freins au déploiement de ces systèmes. De nombreux travaux soulèvent des menaces aux impacts désastreux pour leur développement, comme les « adversarial examples » ou le « membership inference ». Ces travaux considèrent les algorithmes de ML selon un point de vue purement algorithmique sans prendre en considérations les particularités de leur implémentation matérielle. De plus, des études plus poussées sont indispensables sur les attaques physiques (side-channel et injection de fautes). En considérant une surface d'attaque regroupant les aspects algorithmiques et matériels, la thèse propose d'analyser des menaces de type Fault Injection Analysis (FIA) ciblant l'intégrité des modèles (tromper une prédiction) des systèmes EML et le développement de protections efficaces. Quelques travaux s'intéressent aux attaques physiques contre des réseaux de neurones embarqués mais avec des architectures très simples sur des microcontrôleurs 8-bit, ou FPGA ou en pure simulation. Ces travaux ne proposent pas encore des liens entre les modèles de fautes ou les fuites mises en évidence et les failles algorithmiques. En se basant sur l'expérience d'autres systèmes critiques (e.g., module cryptographique), la philosophie de la thèse sera de considérer conjointement le monde algorithmique et le monde physique pour mieux appréhender la complexité des menaces et développer des protections appropriées. La thèse s'intéressera aux questions scientifiques suivantes : (1) Caractérisation et exploitation de modèles de fautes : comment exploiter des disfonctionnements par injections de fautes (laser, EM ou glitch) pour tromper la prédiction d'un modèle de type réseau de neurones profond en minimisant la perturbation. (2) Evaluation des mécanismes de protections classiques : quel est la pertinence et l'efficacité des schémas de défenses classiques (e.g. mécanismes de redondances) pour ce type de systèmes et de menaces ? (3) Développement de nouvelles protections appropriées aux réseaux de neurones embarqués.

Télécharger l'offre (.zip)

Imagerie sans lentille et intelligence artificielle pour un diagnostic rapide des infections

Département Microtechnologies pour la Biologie et la Santé (LETI)

Laboratoire Systèmes d'Imagerie pour le Vivant

Master 2 biologie, data intelligence

01-10-2020

SL-DRT-21-0380

caroline.paulus@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

L'objectif de la thèse est de développer une technologie portable d'identification des pathogènes. En effet, dans un contexte d'extension des déserts médicaux et de recrudescence des infections antibiorésistantes, il est urgent de développer des techniques innovantes pour le diagnostic rapide des infections en milieu isolé. Parmi les techniques optiques d'identification des pathogènes, les méthodes d'imagerie sans lentille occupent une place particulière car elles sont les seules à l'heure actuelle à pouvoir proposer une caractérisation simultanée d'un grand nombre de colonies, le tout avec une technologie bas coût, portable et peu énergivore. L'objectif de la thèse est d'explorer les potentialités de l'imagerie sans lentille associée à des algorithmes d'intelligence artificielle pour identifier rapidement les colonies bactériennes présentes dans un liquide biologique. La thèse visera à optimiser le dimensionnement du système imageur (sources, capteurs) et à étudier des algorithmes de traitement d'images et d'apprentissage machine nécessaires pour l'identification des colonies. Deux cas d'applications cliniques seront étudiés.

Télécharger l'offre (.zip)

Neurones oscillants pour le calcul d'optimisation et la mémoire associative

Département Composants Silicium (LETI)

Laboratoire d'Intégration des Composants pour la Logique

Niveau M2, formation en micro/nanoélectronique (technologie et conception) - des connaissances théorique et pratiques des réseaux de neurones pour l'IA sont un avantage

01-10-2021

SL-DRT-21-0393

louis.hutin@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Les réseaux de Hopfield sont des réseaux de neurones récurrents qui permettent de réaliser des fonctions de mémoire associative. En soumettant leurs éléments à des fluctuations ajustables, ces réseaux peuvent également être adaptés à la résolution efficace de problèmes d'optimisation combinatoire NP-difficiles. De tels problèmes, dont la résolution exacte en temps polynomial est hors de portée de machines de Turing déterministes, trouvent des applications dans des domaines tels que les opérations logistiques, le design de circuits (e.g. placement-routage), le diagnostic médical, la gestion de réseaux intelligents (e.g. smart grid), la stratégie de management etc. Le sujet proposé s'inscrit dans le contexte de la recherche d'accélérateurs hardware pour l'intelligence artificielle. L'approche considérée en particulier porte sur le choix d'oscillateurs verrouillés en phase par injection (ILO: Injection-Locked Oscillators) pour réaliser la fonction du neurone. L'objectif sera la conception, la fabrication et la démonstration de réseaux de neurones binaires couplés par des poids synaptiques ajustables pour réaliser des fonctions de mémoire associative (ex: reconnaissance de forme) ou d'optimisation combinatoire (ex: coloration de graphe, partitionnement maximal,?).

Télécharger l'offre (.zip)

Représentation hybride de thèmes polarisants dans les news politiques

Département Intelligence Ambiante et Systèmes Interactifs (LIST)

Laboratoire Analyse Sémantique Textes et Images

Ingénieur, Master 2

01-02-2021

SL-DRT-21-0419

julien.tourille@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Les algorithmes de recommandation actuels ont tendance à donner naissance à des bulles de filtre qui réduisent la diversité des informations proposées aux utilisateurs et mènent à une polarisation des opinions. Ce fonctionnement est problématique surtout dans des domaines comme la politique, où une information diversifiée et équilibrée des citoyens est nécessaire pour un débat sain. L'objectif de cette thèse est de proposer des représentations hybrides innovantes des textes qui traitent des thèmes potentiellement polarisants. Les principaux challenges de la thèse sont liés à: (1) la détection automatique de thèmes polarisants, (2) la proposition de représentations des textes qui combinent des critères de description objectifs et subjectifs, (3) la mise à jour des représentations afin de prendre en compte le caractère hautement dynamique des textes qui abordent les thèmes politiques et (4) la proposition de jeux de données et de protocoles d'évaluation des résultats pour les méthodes mises en oeuvre. Les résultats des travaux de thèse constitueront le principal point d'entrée pour des algorithmes de recommandation diversifiée qui visent à ouvrir les bulles de filtre.

Télécharger l'offre (.zip)

Apprentissage et quantification des réseaux profonds pour l'apprentissage par transfert

Département Systèmes et Circuits Intégrés Numériques

Laboratoire Intelligence Artificielle Embarquée

Master ou équivalent en apprentissage automatique, informatique, mathématique ou similaire

SL-DRT-21-0446

johannes.thiele@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Le « transfer learning » (apprentissage par transfert) est aujourd'hui une technique courante dans le domaine du « Deep Learning », qui utilise les paramètres appris d'un réseau générique (l'extracteur des caractéristiques) pour améliorer l'entraînement d'un autre réseau sur une tâche plus spécifique. Le réseau spécifique est ensuite optimisé pour les contraintes matérielles du cas applicatif. Au vue de la généricité des représentations de l'extracteur de caractéristiques, on se demandera s'il n'est pas possible d'optimiser ce dernier avant le transfert des paramètres, pour éviter que chaque utilisateur ait besoin d'effectuer cette optimisation lui-même. Dans ce contexte, la thèse aura les objectifs scientifiques suivants: - Utilisation des méthodes d'apprentissage « non-supervisées » (self-supervisées, faiblement supervisées, semi-supervisées) pour entraîner des extracteurs sur des grandes bases de données - Etudier comment les méthodes d'optimisation typiques (p.ex. quantification) peuvent être appliquées sur ces extracteurs d'une manière générique (non-spécifique à une tâche applicative) - Quantifier l'influence de ces optimisations sur la capacité de « transfer learning » par benchmarking et par des analyses théoriques (p.ex. théorie de la compression) Compétences : Master 2 (ou équivalent), apprentissage automatique (en particulier Deep Learning), programmation (Python, Pytorch, Tensorflow, C++), bonne connaissance de l'Anglais

Télécharger l'offre (.zip)

Apprentissage incrémental autonome et embarqué

Département Systèmes et Circuits Intégrés Numériques

Laboratoire Intelligence Intégrée Multi-capteurs

Traitement de signal, apprentissage automatique, programmation pour l'embarqué

01-09-2021

SL-DRT-21-0465

carolynn.bernier@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Le développement récent d'algorithmes d'apprentissage incrémental adaptés aux réseaux neuronaux profonds est une opportunité permettant d'imaginer de nouveaux capteurs intelligents déployés dans des milieux réels. En effet, la capacité de pouvoir perfectionner son apprentissage à un contexte spécifique de déploiement offre au capteur la possibilité de se personnaliser face à des variations lentes de la tâche à accomplir (ex : détection de différents types d'anomalies) ou encore d'apprendre de nouvelles tâches non prévues initialement (ex : détection de nouveaux types d'anomalies). Cette possibilité rendrait le capteur autonome de plus en plus pertinent. Une application possible pourrait être un imageur intelligent embarqué sur un robot de compagnie et dont la tâche serait de reconnaître les personnes. Celui-ci deviendrait capable de s'adapter aux changements de personnes à reconnaitre dans son environnement ou encore aux changements de décor qui pourraient survenir dans l'environnement. L'objectif de cette thèse est d'explorer les moyens par lesquels le capteur intelligent peut être rendu effectivement autonome dans son évolution sachant que les algorithmes d'analyse du capteur sont fortement contraints par leur contexte d'exécution embarqué. La fonction sera implémentée au travers d'un système avec deux modes, un toujours actif à l'écoute de l'environnement et un avec du calcul plus intensif et sporadique. Se pose la question de partitionner cette fonction sur ce type d'architecture, pour viser performance et efficacité énergétique Les défis à relever pour réaliser un tel système sont multiples : Une première difficulté est la réalisation de mécanismes de détection d'exemples qui sont en réalité de faux négatifs et d'autres qui correspondent à des classes nouvelles. Or, la détection de ces deux types d'exemples doit être exécutée sur la plateforme « Always-on », avec les contraintes d'implémentation associées. Une seconde difficulté concerne la phase de ré-apprentissage qui est exécutée sur la plateforme « On-demand ». Cette phase de ré-apprentissage doit prendre en compte la structure du modèle « Always-on » afin de le ré-entraîner avec de nouveaux exemples, ceci afin soit de faire lentement évoluer le contenu des classes apprises soit afin d'apprendre une nouvelle classe, mais sans oublier les anciennes. Le domaine applicatif visé par cette thèse étant nouveau, le ou la candidat.e devra être capable de garder une vision large sur le sujet et devra nécessairement adresser des domaines aussi variés que la compréhension d'un grand nombre de familles d'algorithmes d'apprentissage automatique et incrémental, la mise en ?uvre de différents algorithmes d'entraînement de modèles neuronaux et enfin les besoins matériels nécessaires à la réalisation de ces calculs dans un contexte embarqué.

Télécharger l'offre (.zip)

Nouvelles approches intelligentes d'analyse de l'intonation et l'intelligibilité de la parole chez les enfants atteints de paralysie cérébrale

Département Intelligence Ambiante et Systèmes Interactifs (LIST)

Laboratoire d'Interfaces Sensorielles & Ambiantes

Ingénieur ou Master 2 en Informatique, Apprentissage profond et IA

01-10-2021

SL-DRT-21-0539

margarita.anastassova@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

L'infirmité motrice cérébrale (IMC) est un trouble moteur du développement qui affecte la capacité d'un individu à se déplacer et à maintenir son équilibre et sa posture. Elle touche 2 à 4 enfants sur 1 000, ce qui fait de cette maladie chronique le handicap moteur le plus fréquent chez l'enfant. En plus des problèmes moteurs, de nombreux enfants atteints d'IMC ont des difficultés d'élocution, ce qui affecte gravement leur accès aux activités sociales et éducatives. Le trouble de la parole le plus fréquent chez les enfants avec IMC est la dysarthrie développementale, caractérisée par des mouvements limités de la mâchoire, des lèvres et de la langue, une articulation imprécise, un rythme d'élocution lent, une intonation réduite avec une variation limitée de la hauteur, le rythme et le volume de la parole, ce qui entraîne une mauvaise intelligibilité. Malgré la fréquence des problèmes d'intonation et d'intelligibilité dans cette population, l'hétérogénéité des profils et le rôle central de l'intonation dans la communication, peu d'études ont examiné les profils prosodiques (relatifs à l'intonation) chez ces enfants afin de les caractériser et de les classer. Par conséquent, il y peu de connaissances sur les problèmes d'intonation et leur relation avec l'intelligibilité de la parole chez les enfants atteints d'IMC. L'objectif du projet de recherche est de combler ces lacunes. Pour ce faire, une approche basée sur des données du monde réel sera utilisée, combinée à des approches analytiques innovantes basées sur l'IA et l'apprentissage profond.

Télécharger l'offre (.zip)

Apprentissage par Transfert et Transport Optimal appliqués à l'adaptation de modèles appris sur données simulées

Département Métrologie Instrumentation et Information (LIST)

Laboratoire Science des Données et de la Décision

Master 2 ou Diplôme d'ingénieur en Maths Appliquées, Data Sciences, Traitement du Signal

01-10-2021

SL-DRT-21-0563

fred-maurice.ngole-mboula@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Le but de cette thèse est d'explorer les apports possibles du transport optimal au domaine de l'apprentissage automatique par transfert, selon trois axes : - la construction d'un critère de transférabilité de la connaissance entre une tâche source et une tâche cible à partir d'une caractérisation de la régularité du plan de transport optimal entre les distributions des données associées aux tâches source et cible ; - l'intégration d'a priori sur la similarité des tâches via la métrique de "terrain" utilisée pour calculer le plan de transport optimal entre les distributions des données associées aux tâches source et cible ; - l'application du barycentre de Wasserstein à l'apprentissage multi-tâches. Ces travaux pourront s'appliquer à différents problèmes ayant fait l'objet de travaux au sein du laboratoire, notamment l'adaptation de modèles appris sur des données simulées. Une version plus détaillée du sujet de thèse est consultable via le lien suivant : https://drive.google.com/file/d/13RAQEi0PdnkllM-MHxQS50WWUNUtGS07/view?usp=sharing

Télécharger l'offre (.zip)

Mélanger l'intuition au raisonnement - L'apprentissage profond amélioré avec la logique algorithmique et l'abstraction

Département Ingénierie Logiciels et Systèmes (LIST)

Labo.conception des systèmes embarqués et autonomes

Master Informatique, spécialisation / initialisation en IA ou Data Engineering recommandée mais pas obligatoire

01-03-2021

SL-DRT-21-0617

shuai.li@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Dans la discipline de l'apprentissage par machine, l'apprentissage profond, basé sur les réseaux de neurones, est une sous-discipline qui a pris de l'importance grâce à de nombreux succès significatifs. Contrairement au raisonnement machine classique, la méthode statistique par laquelle un réseau de neurones résout un problème peut être vue comme une forme primitive d'intuition. Cependant, actuellement le seul succès réel de l'apprentissage profond est sa capacité auto-configurer sa logique géométrique qui lui permet de transformer des données représentées par des points dans une dimension n, en des données représentées par d'autres points dans une dimension m, si on fournit suffisamment de données d'entraînement. Contrairement à un être humain, un réseau de neurones n'a pas la capacité de raisonner à travers la logique algorithmique. De plus, même si les réseaux de neurones sont extrêmement puissants pour une tâche donnée, puisqu'ils n'ont pas la capacité de généralisation globale, toute déviation dans les données d'entrée entraînerait des résultats surprenants, ce qui limite leur réutilisabilité. Avec le coût de développement important des réseaux de neurones, on comprend dès lors que leur intégration n'est pas toujours économiquement viable. C'est pourquoi il est nécessaire de les abstraire, encapsuler, réutiliser, et composer. Même s'ils sont absents de l'apprentissage profond, la logique algorithmique et l'abstraction sont aujourd'hui innées à l'ingénierie logicielle classique, à travers des primitives de programmation, des paradigmes d'architecture logicielle, et des patrons méthodologiques matures comme l'Ingénierie Dirigée par les Modèles. C'est pourquoi, dans cette thèse, nous proposons de mélanger l'intelligence algorithmique réutilisable, offrant la capacité de raisonner, avec l'intelligence géométrique réutilisable, offrant la capacité à l'intuition. Pour atteindre cet objectif, nous pouvons explorer des idées comme l'intégration de primitives de contrôle dans les réseaux de neurones, l'application de paradigme d'architecture logicielle dans les modèles de réseau, et l'assemblage de systèmes modulaires utilisant des librairies contenant des modules algorithmiques et géométriques. Les résultats de cette thèse sont une étape dans le but global d'aider les entreprises à assembler des systèmes d'IA pour leurs problèmes spécifiques, en limitant le coût d'expertise, effort, temps, et données associé à l'intégration de réseaux de neurones.

Télécharger l'offre (.zip)

Analyse mémoire précise et efficace pour les languages de bas niveau

Département Ingénierie Logiciels et Systèmes (LIST)

Laboratoire pour la Sûreté du Logiciel

Master en informatique, avec une formation en méthode formelle ou sémantique des languages de programmation (compilation). La connaissance des languages fonctionnels (OCaml,Haskell,Lisp) et/ou bas-niveau (C, assembleur) est un plus.

01-10-2021

SL-DRT-21-0641

matthieu.lemerre@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Le but de la thèse est de développer une analyse statique automatique (basée sur l'interprétation abstraite) permettant de vérifier, dans des grosses bases de code dans des langages bas-niveau compilés (de type C, C++, assembleur, Rust), des propriétés de sécurité liées à la mémoire, telle que des propriétés de flot d'information et l'absence de corruption de mémoire. Cette problématique est très importante pour la cybersécurité, car la plupart des erreurs de sécurité liées au logiciel, et celles dont la sévérité est la plus importante, proviennent d'erreurs de sûreté mémoire (buffer overflows, use-after-free, déréferencement de pointeur null, mauvaises conversions de pointeurs, mauvaise interface entre plusieurs langages, etc.). Les trois grands problèmes lorsqu'on conçoit une telle analyse statique automatique est de demander un faible effort de vérification de la part de l'utilisateur, de gérer des systèmes larges et complexes, et d'être assez précis pour que l'analyse ne rapporte pas un grand nombre de fausses alarmes. L'approche privilégiée pour cette thèse se reposera sur une nouvelle analyse statique utilisant des domaines abstraits paramétrés par des invariants de types, qui se trouve être à une juste équilibre entre précision (par rapport à des analyses de pointeur), efficacité (par rapport à des analyses de shape), et effort à fournir (par rapport à des méthodes de vérification déductives). Cette méthode a déjà permis de prouver automatiquement l'absence d'escalade de privilège et de corruption mémoire dans un micronoyau industriel existant à partir de son code machine, en utilisant seulement 58 lignes d'annotations. De nombreuses questions de recherches restent en suspend, et on explorera ainsi comment on peut faire une analyse compositionelle basée sur ce domaine pour en améliorer le passage à l'échelle, comment on peut en améliorer l'expressivité pour montrer des propriétés de sécurité complexe comme la non-interférence, comment on peut en améliorer la précision sans dégrader l'efficacité, ou comment réduire encore plue le nombre d'annotations (en inférant automatiquement des invariants de types).

Télécharger l'offre (.zip)

Extraction sémantique temps-réel sur données éparses pour la perception embarquée

Département Systèmes et Circuits Intégrés Numériques

Laboratoire Intelligence Artificielle Embarquée

Master 2 (Bac +5)

01-10-2021

SL-DRT-21-0656

mehdi.darouich@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Le sujet de thèse que nous proposons se situe dans le domaine des architectures embarquées pour l'analyse sémantique de données éparses en temps-réel. Durant cette dernière décennie, l'analyse de flux d'images et de données a connu un boom suite à l'amélioration significative des réseaux de neurones et la spécialisation toujours plus forte des architectures de calcul numériques associées. La recherche a permis le développement de réseaux plus efficace, moins gourmands en mémoire et de plus en plus intégrable dans du matériel embarqué. Plusieurs travaux sont en cours actuellement au laboratoire, autour de l'outil N2D2 pour l'optimisation et l'intégration sur matériel embarqué de réseaux de neurones, ainsi qu'autour de l'architecture matérielle embarquée DNeuro. Au sein des systèmes de perception embarqués, les fortes contraintes sur la bande passante et la mémoire entraine l'utilisation privilégiée de données de type éparse (graphes, nuages de points, etc), réduites en quantité de données et contenant des informations particulièrement riches sur l'environnement à analyser. Cependant, la structure non-contiguë et non-prédictible de ces données éparses est très différente d'un flux d'image traditionnel, rendant les architectures matérielles actuelles peu adaptées à leur exécution. Ces caractéristiques particulières laissent cependant présager des opportunités très intéressantes en terme d'optimisation et d'efficacité. Ces travaux de thèse visent à explorer cette classe d'algorithmes et leur capacité d'intégration sous contraintes dans une architecture de calcul embarquée. Les problèmes scientifiques qui se posent ici sont comment effectuer la gestion efficace des données dans un contexte de répartition calculatoire fortement éparse, la compatibilité des algorithmes d'analyse sur donnée éparse avec l'exécution sur cible embarquée et les performances et la précision atteignables sous ces contraintes.

Télécharger l'offre (.zip)

Détection d'évènements anormaux dans les vidéos

Département Intelligence Ambiante et Systèmes Interactifs (LIST)

Laboratoire Vision et Apprentissage pour l'analyse de scènes

Ingénieur, Master 2

01-10-2021

SL-DRT-21-0659

aleksandr.setkov@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

La reconnaissance d'évènements anormaux dans des vidéos par apprentissage profond est un atout pour les applications de vidéo surveillance, de sécurité routière ou encore de conduite autonome. Il existe cependant encore beaucoup de verrous techniques et scientifiques, tels que la rareté et l'hétérogénéité de ces événements ainsi que la complexité de la scène. Les méthodes par apprentissage supervisé nécessitent des annotations en large quantité, ce qui dans ce contexte est compliqué à obtenir. Les données anormales sont rares par rapport aux données normales et l'annotation de vidéos est par ailleurs une tâche fastidieuse. En revanche, un autre groupe de méthodes, de type One-Class, utilise uniquement les données normales pour modéliser la normalité dans les données. Cependant, cette modélisation se heurte souvent à l'hétérogénéité des données normales comme à celle des données anormales. Les travaux de la thèse se focaliseront autour des méthodes qui nécessitent peu d'exemples annotés (Few-Shot Learning) et/ou celles qui sont faiblement (Weakly Supervised Learning) ou partiellement supervisées (Semi Supervised Learning). Les nouvelles approches proposées seront évaluées sur les datasets académiques ainsi que sur les données réelles dans des scénarios vus par des caméras statiques (vidéo surveillance, inspection industrielle ou détection d'incidents) et dynamiques (conduite autonome).

Télécharger l'offre (.zip)

De l'intérêt des jeux pour une ingénierie collective performante

Département Ingénierie Logiciels et Systèmes (LIST)

Lab.systèmes d'information de confiance, intelligents et auto-organisants

Master en informatique, en IA.

01-09-2021

SL-DRT-21-0692

sara.tucci@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Les technologies, et en particulier les technologies numériques, font partie de l'éventail de solutions proposées pour relever les nombreux défis sociétaux et environnementaux, tels que les 17 objectifs de développement durable énumérés par les Nations unies. Face à la complexité des systèmes à mettre en ?uvre pour cela, l'intelligence collective est une clé majeure de succès. Multidisciplinaires et holistiques, les pratiques d'ingénierie des systèmes telles que formalisées par INCOSE et plus particulièrement dans leur version basée sur l'ingénierie des modèles, sont similaires aux pratiques de l'intelligence collective, et donc sa performance repose sur la capacité du groupe à communiquer et donc sur les outils de travail collaboratif partagés par l'équipe. Cependant, les utilisateurs considèrent souvent les outils comme complexes et la "mauvaise" utilisation qui en résulte devient une entrave à la performance du collectif au lieu d'être un stimulant. Cette thèse vise à explorer les domaines des jeux sérieux et de la théorie des jeux afin d'inverser cette tendance et de faire des outils logiciels des alliés du développement plutôt que des ennemis à combattre.

Télécharger l'offre (.zip)

Méthodes d'apprentissage et de classification basées tactile pour la planification et la vérification de tâches ? applications en manipulation robotique pluridigitale et bimanuelle

Département Systèmes (LETI)

Laboratoire Signaux et Systèmes de Capteurs

M2 apprentissage machine, robotique, traitement de signal

01-09-2021

SL-DRT-21-0803

saifeddine.aloui@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

La manipulation robotique d'objets requiert en premier lieu une planification de prise de ces objets, qui est fonction de paramètres caractéristiques du préhenseur et de la tâche à effectuer (tels que les zones d'accessibilité ou le niveau et la direction des efforts pouvant être impliqués dans les tâches d'assemblage, d'insertion, de manipulation dextre, etc.). En outre, lors de l'exécution de la tâche, il est nécessaire de pouvoir s'assurer du déroulement nominal de la tâche planifiée, en détectant l'occurrence de certains évènements critiques et nécessaires à sa réalisation (tels que l'interaction d'objets entre eux, la perte de stabilité de l'objet, etc.) puis en validant la réalisation effective de la tâche planifiée (via la classification de données permettant de caractériser le succès ou non de tâches telles que l'insertion ou l'assemblage). Ces étapes de détection et vérification, cruciales lorsqu'il s'agit de robotiser certaines tâches critiques exigeant un haut niveau de traçabilité, peuvent s'appuyer notamment sur l'analyse et la surveillance de données ou signaux propres au système considéré de manipulation. Le travail demandé exploitera un système expérimentale constitué d'une station bimanuelle, équipée notamment de deux préhenseurs pluridigitaux équipés de capteurs tactiles multimodaux développés par le CEA. Ce travail de thèse se décompose essentiellement en deux parties. La première partie consiste en l'utilisation de méthodes d'apprentissage, qui soient capables de tenir compte des capacités des manipulateurs pluridigitaux et des impératifs de la tâche, pour planifier la prise d'objets. La seconde partie de la thèse vise à exploiter certaines méthodes basée sur la classification de signaux tactiles et proprioceptifs du système pour valider l'accomplissement de la tâche.

Télécharger l'offre (.zip)

Inférence dynamique guidée par l'attention dans les reseaux de neurone de perception pour systèmes mobiles autonomes

Département Systèmes et Circuits Intégrés Numériques

Laboratoire Intelligence Artificielle Embarquée

Informatique, IA

01-10-2021

SL-DRT-21-0816

karim.benchehida@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Les systèmes mobiles autonomes permettent de réaliser de plus en plus de missions de la vie courante comme la livraison, l'inspection ou l'agriculture avec une complexité qui ne fait que croitre. Ces systèmes ont des besoins de positionnement (localisation, estimation de pose) et de perception de leur environnement (détection, classification, suivi d'objets?) pour prendre des décisions pertinentes de navigation par exemple. Pour être efficaces, les récentes approches de l'état de l'art basées sur des réseaux de neurones traitant ces briques de perceptions tendent à utiliser des réseaux de plus en plus ?larges' (nombre de canaux, modalités) ou ?profonds' (nombre de couches de convolution) avec une implication directe sur la complexité calculatoire et la latence de prise de décision. La question de recherche principale qu'on aborde dans cette thèse est l'amélioration de l'efficacité calculatoire des réseaux de neurones (Précision vs. Complexité). Pour cela on souhaite réduire dynamiquement le traitement (via des techniques d'inférence dynamique) et le focaliser (via un mécanisme d'attention) pour permettre l'utilisation de réseaux à grande expressivité non ?embarquables' usuellement. Une implémentation sur une architecture embarquée des technologies issues de ces travaux sera effectuée pour démontrer l'efficacité de l'approche sur un système réel. Le laboratoire d'Intelligence Artificielle Embarquée (LIAE) du CEA disposant de plateformes robotiques mobiles et d'un véhicule électrique entièrement automatisé pour la conduite autonome, les résultats de cette thèse serviront à alimenter les briques de perception embarquées de ces systèmes.

Télécharger l'offre (.zip)

Exploration de techniques d'apprentissage pour ?Edge AI" exploitant les Resistive RAM

Département Systèmes et Circuits Intégrés Numériques

Laboratoire Systèmes-sur-puce et Technologies Avancées

Master / ingénieur en électronique

01-09-2021

SL-DRT-21-0825

Francois.RUMMENS@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Les implémentations matérielles classiques de réseaux de neurones artificiels ayant été développées pour tourner uniquement sur des gros calculateurs, elles ne répondent pas aux exigences de frugalité du monde de l'électronique embarquée. Au contraire, une combinaison de solutions calculatoires analogiques ou mixtes et de l'usage de technologies mémoire émergente peut, elle, permettre de satisfaire le besoin de très faible consommation des systèmes embarqués. Cette combinaison permet également d'envisager d'embarquer non seulement l'inférence mais aussi l'algorithme d'apprentissage sur puce. Cette avancée, quasi-inatteignable via des approches classiques, permettra au système de s'adapter en totale autonomie aux variations statistiques des entrées, de réduire la taille du réseau de neuronne et de traiter sans diffusion des données privées. Les approches actuelles utilisent généralement des algorithmes d'apprentissage incompatibles avec les comportements physiques non-idéaux des mémoires résistives. Cette thèse a pour objectif d'explorer diverses solutions algorithmiques d'inférence et d'apprentissage pour proposer des architectures de réseaux de neurones plus adaptées à la réalité des technologies de mémoire résistive développées au LETI.

Télécharger l'offre (.zip)

Traitement de signal microphone Ultra Low Power et Hautes Performances pour la localisation de locuteur et la détection d'attention dans un auditoire : application aux prothèses auditives de nouvelle génération

Département Systèmes (LETI)

Laboratoire Signaux et Systèmes de Capteurs

ingénieur ou master 2 en data science, signal processing

01-10-2021

SL-DRT-21-0898

vincent.heiries@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

La perte d'audition est un problème de santé publique majeur, et affecte environ 10% de la population mondiale. Ce handicap impacte fortement le confort de vie des patients qui en sont atteints, dans de nombreux aspects de leur vie. De plus, avec une stimulation accrue sur de longues périodes de notre appareil auditif par diverses utilisations du numérique, cette tendance d'augmentation de la prévalence de la perte d'audition est clairement à l'accroissement. Plusieurs formes de perte auditive peuvent être traitées par l'utilisation d'appareils auditifs qui améliorent considérablement la vie de millions de personnes souffrant d'une perte auditive dans le monde. Ces appareils auditifs ont bénéficié d' efforts considérables pour améliorer les technologies sous-jacentes lors des dernières années, et affichent aujourd'hui des performances très élevées en terme de qualité de signal audio reproduit, amplification, filtrage des bruits parasites, compacité, autonomie. Cependant, ces appareils présentent encore plusieurs limitations. Notamment, dans certains environnements sonores, la séparation entre signal utile à amplifier et signaux acoustiques interférants à filtrer reste un challenge. Dans cette étude, nous proposons de nous intéresser notamment au Cocktail Party Problem. Le problème du cocktail party (CPP), est un phénomène psycho-acoustique qui se réfère à la remarquable capacité humaine d'écouter et de reconnaître sélectivement une source auditive dans un environnement bruyant, où l'interférence auditive qui se superpose est produite par des sons de parole concurrents ou par une variété de bruits qui sont souvent supposés indépendants, ou une variété de bruits qui sont souvent supposés être indépendants les uns des autres. La résolution de ce type de problème, aussi appelé Auditory Attention Detection, représente une problématique majeure pour laquelle peu de solutions ont été encore apporté et qui suscite actuellement de nombreux travaux de recherche. Ce sujet de thèse, qui s'inscrit dans la roadmap « Systèmes Cyber-Physiques » et « Edge IA » du Département Systèmes du CEA-LETI (Grenoble), aura pour objectif d'apporter une contribution majeure à cette thématique du Auditory Attention Detection , pour la reconnaissance automatique du locuteur par les prothèses auditives de futures génération. La thèse s'appuiera sur des solutions technologiques avancées mettant en ?uvre de l'intelligence artificielle embarquée (Edge AI). Nous aborderons le problème au travers d'une approche de fusion de données multi-capteurs (capteurs acoustiques, inertiels, vidéo). En effet, on envisagera de coupler un traitement de signaux acoustiques vocaux grâce à des microphones hautes performances avec un traitement vidéo des visages pour réaliser une détection d'activité vocale du locuteur (lecture labiale automatique). Les données capteurs seront traitées et couplées par des algorithmes d'intelligence artificielle adaptés. Il est également envisagé d'utiliser plusieurs microphones pour réaliser un traitement de type beamforming acoustique, et de réaliser un couplage éventuellement avec des capteurs inertiels pour renforcer la localisation du locuteur. La validation des méthodes mis en ?uvre et des algorithmes développées sera réalisée grâce à des campagnes d'essais en chambre acoustique instrumentée (microphone hautes performance, captures video, etc?). Mots clés : prothèse auditive, traitement de signal audio, intelligence artificielle, fusion de capteurs, cocktail party problem, auditory attention detection

Télécharger l'offre (.zip)

Développement d'outils d'analyse par apprentissage automatique pour la spectrométrie gamma dédiée à la mesure de terrain

Département Métrologie Instrumentation et Information (LIST)

Laboratoire de Métrologie de l'Activité

Master Recherche ou diplôme d'ingénieur

01-09-2021

SL-DRT-21-0911

christophe.bobin@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

L'analyse par spectrométrie gamma est une technique classique utilisée pour l'identification et la quantification de radionucléides dans une source radioactive. L'identification automatique pour des mesures de terrain par des non-experts nécessite des approches algorithmiques spécifiques pour répondre à des besoins allant des mesures dans l'environnement au démantèlement des installations nucléaires. Le Laboratoire national Henri Becquerel (LNHB), situé au CEA/Saclay, est impliqué dans le développement d'un outil d'analyse automatique des spectres gamma à faible statistique par démélange spectral pouvant être appliqué à détecteurs scintillateurs (NaI:Tl, plastiques). La robustesse de la prise de décision est en général limitée par la variabilité des conditions de mesures sur le terrain en raison de la déformation des spectres due notamment aux phénomènes d'atténuation ou de diffusion autour d'une source radioactive. L'objectif de la thèse est le développement de nouvelles méthodes de démélange spectral basées sur l'apprentissage automatique et permettant le traitement automatique de ces déformations de spectres. La solution algorithmique sera implémentable dans un circuit numérique intégré dans un dispositif de détection portable.

Télécharger l'offre (.zip)

Développement de l'IA dans la métrologie dimensionnelle à l'échelle nanométrique

Département des Plateformes Technologiques (LETI)

Laboratoire

Ingénieur ou master traitement de données, IA

01-10-2021

SL-DRT-21-1012

jerome.reche@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Avec l'évolution rapide de l'industrie des semi-conducteurs, chaque nouveau n?ud technologique implique des caractéristiques de taille réduite et/ou des complexités croissantes dans la morphologie 3D des nanostructures. Cela impacte directement l'étape de lithographie, premier chainon de la fabrication, notamment au travers de l'étape de contrôle métrologique qui doit être plus complet mais aussi plus fiable. Cela se traduit par des tolérances admissibles très faibles sur les erreurs de mesure. Aujourd'hui, aucune technique de métrologie ne peut à elle seule répondre aux exigences strictes de l'industrie. C'est pourquoi, la métrologie hybride, basée sur le concept de la fusion de données, est très prometteuse. Elle consiste à déployer conjointement différentes techniques de métrologie afin de combiner leurs forces tout en atténuant leurs faiblesses. Au stade de nos recherches actuelles, développées dans le cadre du projet ECSEL MadeIn4, une approche par réseau de neurones a permis de concevoir et d'optimiser une structure neuronale pour des motifs de lignes caractérisées par 3 paramètres dimensionnels. La validation du réseau de neurones (RN) s'appuie sur des données simulées issues de modélisations physiques propres à chaque technique desquels les paramètres dimensionnels sont extraits. L'étape naturelle suivante qui est l'objectif de cette thèse est de développer un réseau de neurones utilisant directement les données brutes (image, spectre, ?) issues des différents instruments de mesure. La phase d'apprentissage du RN se fera sur la base de données virtuelles issues de modélisations physiques et la validation finale du RN sera effectuée sur des données issues des instruments de métrologie à l'état de l'art disponibles dans nos salles blanches et mesurées sur des échantillons optimisés pour cette étude.

Télécharger l'offre (.zip)

Exécution symbolique pour les réseaux de neurones

Département Ingénierie Logiciels et Systèmes (LIST)

Laboratoire exigences et conformité des systèmes

SL-DRT-21-1061

arnault.lapitre@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Pour évaluer la confiance que l'on peut avoir dans un réseau de neurones, l'un des enjeux est de comprendre comment le réseau classifie les données. La taille des réseaux de neurones utilisés industriellement, en termes de nombre de chemins d'exécutions, mais aussi en terme de nombre de paramètres manipulées, est telle qu'une analyse humaine n'est pas possible. Il faut donc automatiser cette analyse et parmi les approches récemment explorées dans l'état de l'art, on trouve des techniques basées sur l'exécution symbolique. Cette approche reposant sur l'exploration des différents chemins d'exécutions d'un programme permet, d'effectuer des couvertures structurelles, de mettre en ?uvre des heuristiques dédiées à l'atteignabilité de partie du programme ou à la vérification de propriétés, et de générer des cas de test pour ces objectifs. Cette thèse a pour objet de proposer des adaptations des techniques existantes d'exécution symboliques pour les appliquer à la vérification des réseaux de neurones qui proposent de nouveaux défis en terme d'exploration de programme, afin d'y révéler et analyser les comportements indésirables après les avoir caractérisés.

Télécharger l'offre (.zip)

Apprentissage d'un détecteur à classe paramétrable via modèle 3D

Département Intelligence Ambiante et Systèmes Interactifs (LIST)

Laboratoire Vision et Apprentissage pour l'analyse de scènes

Master 2 Recherche, traitement de l'image, vision par ordinateur, apprentissage par ordinateur, apprentissage profond

01-10-2021

SL-DRT-21-1071

bertrand.luvison@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Les détecteurs d'objet ont connu une amélioration très significative grâce à la démocratisation des réseaux de neurones. Il est maintenant simple de détecter un type d'objet du moment que l'on dispose d'un ensemble d'images représentant cet objet dans diverses conditions. Ces ensembles d'images existent pour quelques classes d'objet (21 classes dans PascalVOC, 80 dans COCO, etc) mais en pratique, il est souvent nécessaire des créer des « datasets » spécifiques et de profiter des techniques de « fine-tuning » ou de « transfer learning » pour spécifier un réseaux déjà appris. La constitution de ce « dataset » est d'une part excessivement fastidieuse et d'autre part la flexibilité de ce genre de modèle à l'ajout d'une classe est quasi nulle car il est nécessaire de repasser par une phase d'apprentissage complète sur le « dataset » augmenté. Le challenge de cette thèse sera de s'affranchir de cette contrainte d'ensemble fixe de classe détectable. Formuler ainsi, le problème pourrait s'apparenter à un problème de « Zero-Shot Learning », mais ce genre de modélisation cherche en général à s'appuyer sur une connaissance sémantique auxiliaire, comme par exemple une définition par attribut pour contrôler la description d'une image même lorsque l'image concerne un objet jamais vu a l'apprentissage. Ce genre d'approche repose donc sur la constitution d'une connaissance plus descriptive afin de pouvoir faire le lien avec les définitions sémantiques tel que nous les concevons dans les dictionnaires. L'objet de cette thèse n'est pas d'aborder le problème sous cet angle, mais plutôt d'être en mesure de fournir en paramètre les types d'objet que l'on souhaite reconnaître par le biais de modèle 3D. Il ne s'agit pas de construire une connaissance sémantique représentative de l'ontologie qui nous entoure mais plutôt d'apprendre à un réseau comment retrouver dans une image, n'importe quelle forme 3D préalablement défini, à l'instar des anciens algorithmes de « template matching » mais cette fois-ci avec tout l'apport et la puissance des réseaux de neurones pour pouvoir détecter plusieurs type d'objet simultanément.

Télécharger l'offre (.zip)

Détection non-supervisée d'objets mobiles dans des données vidéos monoculaires

Département Intelligence Ambiante et Systèmes Interactifs (LIST)

Laboratoire Vision et Apprentissage pour l'analyse de scènes

Ingénieur, Master 2

01-09-2021

SL-DRT-21-1072

camille.dupont@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Les techniques traditionnelles de détection d'objet par apprentissage supervisé nécessitent une quantité importante de données d'apprentissage. Ce constat motive depuis plusieurs années la communauté scientifique à investiguer des méthodes d'apprentissage avec la plus faible supervision possible. Dans ce contexte, on remarque une popularité croissante de l'apprentissage auto-supervisé qui génère de manière automatique les annotations d'apprentissage en exploitant les relations entre les signaux d'entrée. Parmi les tâches phares pouvant tirer parti de l'apprentissage, on note surtout des tâches bas-niveaux peu sémantisées telles que l'estimation de flot optique, l'estimation de la profondeur à partir de vidéo monoculaires ou des tâches de pré-apprentissage. L'objectif de cette thèse est d'aller encore plus loin dans l'exploitation de cette famille d'apprentissage dans un contexte de détection d'objets. Plus particulièrement, le travail attendu dans la thèse est de concevoir un modèle de détection d'objet entraîné à partir de données vidéos monoculaires qui pourra ensuite être utilisé dans l'image ou la vidéo pour détecter l'ensemble des classes d'objets présentes dans les données d'entraînement.

Télécharger l'offre (.zip)

Voir toutes nos offres