Post Doc Le raisonnement sur les graphes de connaissance de l'Internet des Objets F/H

Description de l'offre

about the role

Votre rôle est de définir, expérimenter et valider l'utilisation de techniques de raisonnement dans les applications de l'Internet des Objets.

Nous définissons le raisonnement, comme le processus cognitif mis en oeuvre pour résoudre un problème difficile, c'est-à-dire un problème dont la résolution nécessite la contribution importante d'un être humain.

Vos travaux se focaliseront sur les données du domaine de l'Internet, lorsque celles-ci sont structurées sous la forme d'un graphe de connaissances, ainsi que sur les problèmes spécifiques aux domaines applicatifs de l'IoT tels que le smart city, smart agriculture, smart home, e-mobility,…

Il existe plusieurs approches pour résoudre des problèmes « difficiles » :

·  L'approche par apprentissage (statistique, connexionniste,…) qui est adaptée dans le cas où l'on peut disposer d'un gisement conséquent de données structurée et ou le problème est bien formé [1], [2]
·  L'approche par méthode analytique qui est adaptée dans le cas où le problème et sa résolution sont bien cernés et peuvent être modélisés de façon suffisamment précises [3]
·  L'approche logique (Euler, DLReasoners, …) qui est adaptée lorsque l'on dispose d'un expert humain capable de décrire la façon dont il résoud le problème [4], [5]

Cette liste ne prétend pas être exhaustive mais couvre la majorité des cas. Cependant, aucune d'elle n'est meilleure que les autres. La meilleure approche dépend du problème à résoudre et des données disponibles pour résoudre ce problème.

Il existe des techniques de raisonnement applicables à certains types de graphe comme les graphes RDF [6]. A notre connaissance il n'en n'existe aucune pour les property graphs c'est-à-dire des graphes dans lesquels les relations peuvent avoir des propriétés.

Pour des informations détaillées sur la mission scientifique et les principales activités associées au postdoc, le candidat pourra se référer à la section 3 « le plus de l'offre ».

about you

Vous êtes titulaire d'un doctorat en informatique.

·  Compétences (scientifiques et techniques) et qualités personnelles souhaitées par le poste :

Une solide expérience dans au moins deux des domaines suivants : Le web sémantique, la logique mathématique, l'apprentissage automatique, l'intelligence artificielle, la théorie des graphes.

Un excellent dossier de publications scientifiques.

Capacités d'autonomie tout en étant capable de travailler en équipe.

Un intérêt pour implémenter et valider expérimentalement des modèles théoriques.

Une bonne maîtrise de la communication orale et écrite en Français et en Anglais.

additional information

Objectif scientifique - verrous à lever

L'objectif des travaux de postdoc est de développer de nouvelles techniques permettant d'exploiter l'information contenue dans les graphes de connaissances mis en oeuvre dans le domaine de l'Internet des Objets. Ces techniques visent à produire automatiquement de nouvelles informations par le biais de mécanismes de raisonnement. Ces nouvelles informations peuvent être réinjectées dans le graphe de connaissance ou répondre à des problèmes applicatifs non traitables par les APIs actuelles.

Les principales contributions de ces travaux seront les suivantes:

·  L'identification des méthodes de raisonnement les plus appropriés au domaine de l'Internet des Objets
·  Un guide méthodologique permettant de sélectionner la méthode en fonction du problème et du domaine applicatif
·  Une implémentation d'un certain nombre de ces méthodes et leur intégration dans les plateformes d'Orange basés sur une approche Knowledge Graph (Thing'In et Home'In).

Les particularités du domaine de l'Internet des Objets rendent difficile la recherche de solutions. Ces particularités sont les suivantes :

·  Les graphes sont fortement dynamiques.
·  La taille des graphes est importante. Cela nécessitera l'utilisation de stratégies de focalisation et de contrôle des processus d'inférence.
·  L'explicabilité des résultats du raisonnement est indispensable pour inspirer la confiance des utilisateurs des plateformes de l'IoT.

Approche méthodologique-planning

Le travail sera mené selon les grandes étapes suivantes :

·  Etat de l'art des techniques de raisonnement
·  Appropriation des API et architectures des plateformes Thing'In et Home'In
·  Définition des cas d'usage et de scénarios
·  Etude sur l'adéquation des méthodes de raisonnement aux cas d'usage.
·  Evaluation des solutions de raisonnement existantes sur des données réelles
·  Implémentation et intégration de certaines de ces solutions sous la forme d'enablers
·  Développement des scénarios définis sous la forme d'une démonstration.

department

Le département DM2E, au sein de la division Orange Labs Produits & Services, travaille sur L'élaboration technique des futures offres d'Orange dans le domaine de la maison intelligente (appelé aussi « Smart Home »). Différents services tels que la sécurité, l'énergie, le confort, la santé sont explorés pour détecter les objets connectés les plus pertinents et les technologies les plus adaptés pour rendre ces services. L'effervescence du marché sur ce domaine permet de mettre en lumière régulièrement de nouvelles innovations techniques qui viendront enrichir les futurs services de smart home d'Orange.

Qu'est ce qui fait la valeur ajoutée de cette offre ?

Le candidat retenu aura l'opportunité d'aborder un sujet innovant sur deux thématiques porteurs : l'Intelligence Artificielle et l'Internet des Objets. Il aura accès à deux plateformes intégrant les fonctionnalités avancées en phase avec l'état de l'art dans le domaine et sera en relation privilégiée avec leurs concepteurs. Il pourra également bénéficier des avantages que procure l'activité de recherche dans un grand groupe, notamment en termes de pluridisciplinarité des équipes, un accès privilégié à l'écosystème (académiques et industriels partenaires), ainsi qu'un éventail large et varié de domaines de recherche dans les STIC (Sciences et Techniques de l'Information et des Communications).

Références :

[1] J. Schmidhuber (2015), Deep learning in neural networks : An overview, Neural Networks, 61, pp 85-117.

[2] Y. Bengio, Y. LeCun, G. Hinton (2015), Deep Learning, Nature 521: pp436-444

[3] F. Rossi, P. Van Beek, T. Walsh, Handbook of constraint programming (2006) Elsevier

[4] T. Eiter, G. Ianni, T. Lukasiewicz, R. Schindlauer, Combining answer set programming with description logics for the semantic web, Artificial Intelligence, 2008 - Elsevier

[5] D. Kalish, R. Montague, G. Mar, Logic: technique of formal reasoning, 1980, Oxford University press

[6] R. Verborgh, J De Roo, Drawing conclusions from linked data on the web: The EYE reasoner, IEEE Software, 2015.

contract

Post Doc