Compresser les Embeddings Sémantiques pour la Transmission Réseaux H/F - Orange

L'ambition de la Division Innovation est de porter plus loin l'innovation d'Orange et de renforcer son leadership technologique, en mobilisant nos capacités de recherche pour nourrir une innovation responsable au service de l'humain, éclairer les choix stratégiques du Groupe à long terme et influencer l'écosystème digital mondial.
Nous formons les expertes et les experts des technologies d'aujourd'hui et de demain, et veillons à une amélioration continue de la performance de nos services et de notre efficacité. La division Innovation rassemble, dans le monde, 6000 salariés dédiés à la recherche et l'innovation dont 740 chercheurs. Porteurs d'une vision globale avec une grande diversité de profils (chercheurs, ingénieurs, designers, développeurs, data scientists, sociologues, graphistes, marketeurs, experts en cybersécurité...), les femmes et les hommes de Innovation sont à l'écoute et au service des pays, des régions et des business units pour faire d'Orange un opérateur multiservices de confiance.
Au sein d'Orange Innovation, vous serez intégré(e) dans une équipe de recherche ayant une double expertise en intelligence artificielle et en traitement du signal. Vous serez entouré(e) de chercheuses et chercheurs travaillant sur des sujets innovants et fondateurs pour le futur des télécommunications et en particulier pour la 6G.Rejoignez notre projet de recherche innovant axé sur la compression des embeddings à l'aide de techniques avancées de compression de données. Ces embeddings - l'épine dorsale sémantique de l'apprentissage automatique moderne - sont des vecteurs capables de capturer les caractéristiques sémantiques intrinsèques de diverses modalités de données, y compris le texte, l'audio, les images et la vidéo. Notre défi consiste à développer des méthodes spécialisées pour transformer des espaces d'embeddings de haute dimension en représentations binaires compactes, optimisées pour la transmission sur le réseau.
Le projet implique de relever des défis intéressants liés à la cartographie de vecteurs représentatifs vers un espace binaire tout en maintenant la robustesse lors du passage des données à travers des canaux de communication bruités. Ce stage offre une opportunité unique de contribuer aux systèmes de communication de nouvelle génération, alimentés par l'intelligence artificielle, tout en acquérant une expertise à l'intersection de l'apprentissage automatique, de la théorie de l'information et de l'optimisation.
En tant que stagiaire, vous devrez :
Mettre en oeuvre un pipeline de compression d'embeddings permettant d'exploiter des techniques de compression de données, et évaluer les performances de différents mappings binaires conçus pour une reconstruction précise des embeddings.
Contribuer au développement d'algorithmes de compression efficaces.
Étudier différents scénarios de services applicatifs exécutés au niveau du récepteur.
Analyser l'impact des schémas de compression adoptés sur la performance du réseau et la qualité de service.
Documenter vos résultats et contribuer à d'éventuelles améliorations de la solution.
Mots clés
Apprentissage automatique, optimisation de la transmission, communications sémantiques, compression de données

. Vous préparez un Master ou un diplôme d'ingénieur.
. Vous maîtrisez Python et les environnements de développement associés.
. Vous avez de bonnes connaissances en apprentissage automatique et traitement de données.
. Vous savez organiser de manière structurée un système, depuis l'acquisition des données jusqu'à l'analyse de l'impact des différents hyperparamètres.
. Vous souhaitez contribuer à la recherche qui façonne l'avenir des communications sémantiques.
. Vous valorisez l'opportunité de travailler dans un environnement de recherche, en intégrant une équipe culturellement diversifiée avec une expertise dans le domaine.
. Vous aspirez à rejoindre une communauté scientifique internationale et à découvrir de potentielles opportunités futures pour travailler sur des sujets de recherche pertinents.