Thèse IA répartie collaborative pour l'IoT en environnement de Fog Computing F/H

Description de l'offre

about the role

Votre rôle est d'effectuer un travail de thèse sur le sujet intitulé: «IA répartie collaborative pour l'IoT en environnement de Fog Computing » .

Contexte global du sujet de thèse et état de l'art

Contexte :

Les travaux de thèse visent des applications de l'Internet des Objets (IoT) exploitant l'Intelligence Artificielle embarquée en environnement de Fog Computing.

De plus en plus de services font appel à de l'intelligence artificielle (IA) dans le but d'augmenter leur qualité (ex : pertinence, réactivité voire pro-activité) de telle sorte que l'IA est devenue un enjeu majeur pour les industriels de l'IoT. Cependant, l'IA actuelle est essentiellement opérée dans les datacenters du Cloud Computing générant ainsi d'importants flux réseaux. Face aux quelques 50 milliards d'objets connectés attendus pour 2020, ce modèle dit « cloud centric » laisse entrevoir une charge bien trop importante pour le coeur du réseau. Une solution serait d'utiliser les ressources de calcul, de stockage et de communication présentes en périphérie de réseau. En ce sens, le Fog Computing qui est une extension des abstractions du Cloud Computing au plus près des objets - qu'ils soient connectés ou non - pourrait apporter une réponse satisfaisante pour une IA répartie qui deviendrait dès lors collaborative et embarquée. L'aspect « embarqué » devient effectivement une caractéristique majeure puisque le Fog se compose de noeuds de faible puissance et fortement hétérogènes.

Etat de l'art :

Les travaux antérieurs sur les intelligences en essaim ont montré que des comportements très complexes pouvaient émerger de multiples agents ayant des comportements simples et incapables de produire unitairement ces comportements complexes[6]. Un bon exemple de ce point est donné par les algorithmes dits de « colonies de fourmis » [5]. Dans ces solutions d'intelligence en essaim, l'hétérogénéité des intelligences est faible alors que ces travaux de thèse visent une hétérogénéité la plus forte possible de sorte à maximiser les capacités de discrimination.

Les travaux récents qui abordent le recoupement de différentes valeurs et/ou interprétations de valeurs physiques (poids, taille, volume, champ magnétique, rayonnement infrarouge, image, son,…etc) donnent lieu à des IA souffrant de plusieurs inconvénients parmi lesquels la complexité, la faible auditabilité et leur gourmandise en matière de ressources d'exécution [1]. Ceci provient d'une approche reposant sur l'omnipotence voulue de technologies alors même que d'autres solutions - spécialisées -pourraient être plus performantes et moins contraignantes. Par exemple, des travaux antérieurs en matière de sémantique pourraient potentiellement apporter des gains significatifs lorsqu'il s'agit de faire de la reconnaissance d'objets.

Par ailleurs, les IA actuelles sont des entités rationnelles sans véritable auto-apprentissage [4]. Elles ne sont pas capables d'inférer les éléments nécessaires à leur raisonnement : leur apprentissage est uniquement guidé par les discriminants fixes qu'elles sont capables de traiter sans pouvoir en ajouter de supplémentaires à la volée. Ces travaux de thèses visent à trouver des mécanismes permettant à une IA de découvrir à partir de bases de connaissance (ex : Thing'In) les moyens nécessaires à des tâches telles que de la reconnaissance d'objets pour ensuite mettre en place un comportement collaboratif de différentes IA spécialisées capables d'apporter de façon séparée les connaissances requises à recouper.

La section 3 « Le plus de l'offre » donne de plus amples détails quant à la mission scientifique et aux principales activités associées à la thèse.

about you

Vous avez obtenu un Master 2 ou équivalent en informatique.

Des compétences en IA et en programmation sont absolument nécessaires.

Vous devrez faire preuve de curiosité et d'autonomie. Vous avez une bonne maitrise de l'anglais technique (écrit et oral).

Vous avez des connaissances approfondies en matière d'IA, d'architectures distribuées, de l'IoT et de programmation sur objets contraints type microcontrôleurs ou encore FPGA.

Vous avez la capacité à vous intégrer dans une équipe pluridisciplinaire, et travailler en co-construction avec d'autres équipes.

Le travail devant mener à des publications dans un contexte international, une bonne maitrise de l'anglais est nécessaire.

Créatif et consciencieux, vous aimez travailler et partager avec les autres aussi bien pour apprendre que pour donner. Vous avez l'esprit d'équipe, faites preuve d'initiative et aimez relever des challenges. Vous aimez concevoir, coder, documenter, tester et déployer des applications innovantes. Vous avez envie de faire jouer de concert et augmenter vos connaissances en IA, en architectures distribuées, concernant l'internet des objets (IoT) et en programmation.

additional information

Objectif scientifique - verrous à lever

L'objectif de la thèse est d'étudier l'opportunité d'utiliser le Fog Computing comme environnement d'exécution pour une IA embarquée résiliente et collaborative qui soit moins dépendante du réseau.

Les principaux verrous à lever sont :

1.Le portage de technologies et modèles d'IA sur des environnements d'exécution contraints tels que ceux rencontrés dans le Fog à l'instar des microcontrôleurs et/ou du matériel spécifique (ex : FPGA, co-processeur, réseau de neurone matériel,…). Il faudra pour cela identifier les approches d'IA les plus adaptées et éventuellement les modifier en conséquence pour en faire des IAs dites « embarquées ».

2.La fédération d'IA spécialisées et hétérogènes en IAs plus globales qui soient plus performantes tant en termes de rapidité que de fiabilité ou encore concernant leurs capacités de raisonnement. Il conviendra d'étudier et proposer un modèle et des mécanismes permettant à des IAs de collaborer pour faire émerger des IAs composites dont les caractéristiques ne pourraient être portées par une IA seule.

3.La résilience d'IAs réparties pour rendre les IAs collaboratives du point 2. plus résistantes aux pannes qui caractérisent les noeuds du Fog Computing.

Ces travaux pourront apporter des éléments de réponse pour Orange afin d'offrir à ses clients des solutions IA plus résilientes, respectueuses de la vie privée et plus personnalisées, le tout en économisant les ressources réseau par rapport aux solutions actuelles d'IA. Un exemple de reversement potentiel concerne Djingo, l'assistant virtuel d'Orange dont le fonctionnement est intimement lié à la bonne connectivité à internet.

Approche méthodologique-planning

La première partie de la thèse vise à établir un état de l'art en matière d'IA, d'aide à la décision (systèmes experts), de raisonnement (inférence, révision,…), d'approches par description sémantique. Nous visons à dresser un panorama des différentes solutions connues - possiblement devenues désuètes face à l'hégémonie actuelle des réseaux de neurones - pour cibler les solutions adaptées à de l'IA embarquée sur des noeuds caractérisés par une faible puissance de calcul et/ou du matériel spécifique (ex : FPGA, co-processeur, réseau de neurone matériel,…)

Une deuxième partie vise à valider la pertinence d'une architecture de type Fog par rapport à une approche Cloud-centric en abordant la composition d'IA embarquées. Il s'agira de démontrer l'opportunité que représente une somme d'IA « simples » capables de réaliser des détections basiques (ex : texture, forme, couleur,…), réparties sur des noeuds de Fog et pouvant inférer à partir de données provenant de capteurs élémentaires de l'IoT (forme, volume, détection de métal par effet Hall…). Pour cela, il faudra identifier et proposer des mécanismes de composition des solutions identifiées dans l'état de l'art. Ce volet vise également à explorer la composition dynamique d'IA embarquées dans le but de créer des IA évolutives, plus performantes, moins complexes, mieux auditables et parfaitement exécutables dans l'environnement du Fog Computing.

La dernière partie de la thèse s'effectuera en parallèle du reste et aura pour objectif l'implantation d'un prototype devant servir de preuve de concept. Ce prototype permettra de mettre en oeuvre les mécanismes et principes identifiés afin de valider l'approche proposée sur des cas d'usages évoqués précédemment et d'autres à venir.

department

Au sein d'Orange, Orange Labs Services a pour mission le développement des futurs services de l'opérateur, que ce soit pour les services commerciaux, d'anticipation, ou la recherche.

Dans cette organisation, la direction BIZZ est dédiée aux services pour le marché entreprise, et dans le département MIS (M2M, Internet of Thing, Smart Cities), l'équipe COPS est spécialisée sur les services pour les marchés verticaux (santé, énergie, ..) et les chaines de communication M2M.

Au sein de l'équipe COPS vous intégrerez les activités de du projet de recherche « Ambient Computing » qui visent notamment à favoriser les usages de l'Internet des Objets (IoT) au travers de l'utilisation des ressources disponibles en bordure extrême de réseau (Fog Computing).

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

Le ou la doctorant(e) sera pleinement intégré(e) au sein d'une équipe de recherche Orange Labs sur l'intelligence ambiante qui est active au sein de l'écosystème d'innovation : le travail de thèse sera notamment intégré dans un projet collaboratif en cours de montage sur la thématique des « distributeurs intelligents » (projet DISTINGO si accepté/financé), ainsi que dans le cadre de l'institut 3IA.

Le travail mené vise à créer un démonstrateur qui pourra faire l'objet de publications, de brevets et/ou de démonstrations publiques sur le Salon de la Recherche d'Orange se tenant à Paris chaque année.

Références :

[1] D. C. Verma and G. Bent, "Policy enabled caching for distributed AI," 2017 IEEE International Conference on Big Data (Big Data), Boston, MA, 2017, pp. 3017-3023.

URL: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8258273&isnumber=8257893

[2] R. Raina, A. Madhavan, and A. Y. Ng. Large-scale deep unsupervised learning using graphics processors. In ICML, 2009.

[3] G. Dahl, D. Yu, L. Deng, and A. Acero. Context-dependent pre-trained deep neural networks for large vocabulary speech recognition. IEEE Transactions on Audio, Speech, and Language Processing, 2012.

[4] Stuart J. Russell et Peter Norvig, Artificial Intelligence: A Modern Approach, Upper Saddle River, Prentice Hall, 2010 (ISBN 9780136042594)

[5] M. Dorigo, M. Birattari and T. Stutzle, "Ant colony optimization," in IEEE Computational Intelligence Magazine, vol. 1, no. 4, pp. 28-39, Nov. 2006.

URL: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=4129846&isnumber=4129833

[6] M. A. Lewis and G. A. Bekey, "The Behavioral Self-organization Of Nanorobots Using Local Rules," Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems, Raleigh, NC, USA, 1992, pp. 1333-1338.

URL: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=594558&isnumber=12900

contract

Thesis