Thèse Tinyml Architectures et Modèles Optimisés pour les Applications Agricoles 6.0 de Nouvelle Génération Basées sur l'Iot H/F - Institut Polytechnique de Paris Télécom SudParis

Établissement : Institut Polytechnique de Paris Télécom SudParis
École doctorale : Ecole Doctorale de l'Institut Polytechnique de Paris
Laboratoire de recherche : SAMOVAR - Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux
Direction de la thèse : Anis LAOUITI ORCID 0000000212874739
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-04-15T23:59:59

Cette proposition de recherche aborde les limites de l'IA dépendante du cloud en agriculture en préconisant le déploiement du Tiny Machine Learning (TinyML) et de l'Edge AI directement sur des dispositifs IoT aux ressources limitées, tels que les microcontrôleurs et les drones (UAV). Étant donné que les environnements agricoles traditionnels souffrent souvent d'une connectivité médiocre et d'une énergie restreinte, nous visons une stratégie visant à permettre une prise de décision autonome et en temps réel pour des tâches telles que la surveillance des sols et la détection des ravageurs, grâce à la « co-optimisation » des modèles d'apprentissage automatique et des architectures matérielles. La thèse proposée vise à combler le fossé entre l'IA complexe et le matériel miniature en utilisant des techniques avancées telles que l'élagage (pruning), la quantification et la recherche d'architecture neuronale (NAS), parallèlement à des cadres innovants comme l'architecture prédictive à intégration conjointe (JEPA) pour l'apprentissage distribué. En résumé, cette proposition de thèse cherche à développer un cadre holistique - équilibrant précision, latence et consommation d'énergie - et à le valider par une preuve de concept pratique conçue pour le contexte de l'Agriculture 6.0.

In recent years, the agricultural sector has increasingly embraced intelligent technologies to address pressing challenges such as resource scarcity, climate variability, and the need for sustainable food production [1,2]. Traditional approaches to data collection and processing in agriculture-often reliant on cloud connectivity or offline manual analysis-are ill-suited to many farming environments where connectivity is limited and energy resources are constrained.
EdgeAI and more specifically Tiny Machine Learning (TinyML), which enables the deployment of machine learning (ML) and deep learning (DL) models directly on low-power, resource-constrained devices such as microcontrollers and edge IoT sensors, offer a compelling solution to these limitations [6]. Unlike conventional cloud-dependent analytics, tinyML processes data locally on embedded devices, reducing latency, preserving privacy, and enabling real-time decision making critical for precision farming practices such as soil moisture monitoring, pest and disease detection, and crop health assessment.
For example, TinyML systems have been successfully applied for soil quality monitoring and management in agriculture [4]. A lightweight TinyML models deployed on an ESP32 microcontroller for on-site crop object classification and field surface analysis [7]. Additionally, recent research has demonstrated the integration of TinyML with Unmanned Aerial Vehicles (UAVs) [5] to support smart farming tasks such as soil moisture prediction and environmental condition monitoring, where TinyML inference runs directly on UAV-mounted edge devices to enable fast, autonomous decision-making in precision agriculture [3].
Despite the promising potential of TinyML for next-generation agriculture, several challenges remain. These challenges span both system architecture and model design and optimization [8].
First, from an architectural perspective, agricultural TinyML systems must operate on highly constrained and heterogeneous IoT devices, often deployed in remote environments with limited connectivity and strict energy budgets. These constraints impose strong requirements on where intelligence is placed, how data flows, and how computation is distributed across the system.
Recent research has explored multiple architectures. Hierarchical inference architectures, where lightweight local models on microcontrollers can defer complex processing to more powerful edge servers, have shown promise in balancing efficiency and performance [10]. UAV-assisted frameworks have also been proposed, enabling aerial TinyML inference for smart farming tasks such as soil moisture prediction [3]. Additionally, energy-efficient TinyML deployments on microcontrollers have been demonstrated for both real-time object detection and livestock behaviour recognition, emphasizing practical optimization of latency, memory, and energy [11].
While TinyML enables lightweight models to run directly on microcontrollers, certain advanced agricultural applications require greater computational power and more expressive models. Large and complex architectures, such as deep multimodal networks or Large Language Models (LLMs), cannot be executed on MCUs due to severe hardware constraints. This motivates the integration of Edge AI on more capable nodes or gateways, allowing the execution of larger models while still reducing dependence on the cloud.
To further scale intelligence across distributed IoT devices in agriculture, distributed learning architectures such as Joint Embedding Predictive Architecture (JEPA) can be employed [14]. JEPA enables multiple edge nodes and UAVs to collaboratively learn representations from local data, supporting predictive tasks across the farm without relying entirely on the cloud. This creates a continuum from TinyML on MCU to Edge AI and finally to fully distributed architectures, highlighting the need for joint model-architecture optimization.
Second, at the model level, achieving an adequate balance between accuracy, memory footprint, latency, and energy consumption remains a critical issue, especially for deep learning models deployed on microcontrollers.
Techniques such as pruning and quantization reduce memory and computation requirements while maintaining performance [12]. Neural Architecture Search (NAS) approaches, as demonstrated in MCUNet, enable automatic design of lightweight architectures tailored for constrained devices [13]. Frameworks like TensorFlow Lite for Microcontrollers facilitate deployment of these optimized models on IoT devices, supporting real-time applications in precision agriculture, such as soil monitoring and crop health assessment [15].
Addressing these challenges requires a holistic approach that jointly considers system architecture and model optimization.

Parcours Académique : * Master de Recherche (M2) ou Diplôme d'Ingénieur en Intelligence Artificielle, Informatique ou Systèmes Embarqués.

Une expérience préalable dans le déploiement de l'IA sur site (microcontrôleurs/dispositifs Edge) est fortement souhaitée.

1. Recherche en Intelligence Artificielle & Deep Learning
Optimisation de Modèles (lightweight AI) : Maîtrise théorique et pratique des techniques de compression de modèles, incluant l'élagage (pruning), la quantification et la distillation de connaissances.

Architectures Avancées : Familiarité avec l'apprentissage auto-supervisé (Self-Supervised Learning) et les architectures de type JEPA (Joint Embedding Predictive Architecture).

Recherche d'Architecture Neuronale (NAS) : Expérience dans l'automatisation de la conception de modèles spécifiquement adaptés aux environnements matériels contraints.

Frameworks : Maîtrise experte de PyTorch ou TensorFlow.

2. Systèmes Embarqués & IoT (Edge Computing)
Connaissances Matérielles : Expérience pratique des microcontrôleurs (ESP32, STM32, ARM Cortex-M) et des contraintes intrinsèques des capteurs IoT.

Déploiement TinyML : Maîtrise de TensorFlow Lite for Microcontrollers, Edge Impulse ou d'autres chaînes d'outils propriétaires pour la conversion et le déploiement de modèles.

3. Génie Logiciel & Programmation
Double Compétence en langage de programmation : Maîtrise impérative du C/C++ (pour l'implémentation bas niveau embarquée) et du Python (pour le haut niveau et l'entraînement).

4. Aptitudes à la Recherche & Intérêt pour le Domaine
Rigueur Scientifique : Forte capacité à mener des revues de littérature exhaustives, à maintenir une veille technologique de pointe et à publier des résultats originaux dans des conférences internationales à fort impact.

Vision AgriTech : Un intérêt réel pour les défis de l'Agriculture 6.0, tels que la surveillance du stress hydrique, la détection des maladies et l'agriculture de précision.

Esprit Expérimental : Capacité à traduire des cadres théoriques en une Preuve de Concept (PoC) validée sur du matériel AgriTech réel en conditions de terrain.