Post-Doctorat - Mise en Place d'Un Apprentissage Fédéré Hiérarchique pour Environnement Hétérogène H/F - CEA

Le CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat.

Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale. Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs.

Implanté au coeur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international.

Les 20 000 collaboratrices et collaborateurs du CEA partagent trois valeurs fondamentales :

- La conscience des responsabilités
- La coopération
- La curiosité

« Rejoignez le CEA pour donner du sens à votre activité, mener ou soutenir des projets de R&D nationaux et internationaux, cultiver et faire vivre votre esprit de curiosité. »

EN SYNTHESE, QU'EST-CE QUE NOUS VOUS PROPOSONS ?

Nous cherchons un(e) post-doctorant(e) pour la mise en place d'un apprentissage fédéré hiérarchique pour environnement hétérogène. Ce poste est basé sur le site du CEA Paris-Saclay, Essonne (91). Ce poste est à pourvoir dès que possible.

QU'ATTENDONS-NOUS DE VOUS ?

Depuis les années 2000 le Cloud constitue l'infrastructure majeure de calcul et de stockage de données au niveau mondial. Cependant, il est confronté actuellement à des évolutions majeures structurelles, techniques et économiques. D'où surgit l'intérêt de l'étendre via ses infrastructures aux niveaux Edge et IoT (Internet des Objets) afin d'obtenir un continuum Cloud-Edge-IoT (CEI).

Le sujet proposé intervient dans le cadre d'un projet du PEPR Cloud (https://pepr-cloud.fr/fr/) qui étudie le développement de nouvelles méthodes permettant de prendre en compte les dépendances multi-niveaux et multi-domaines spécifiques du continuum CEI.

L'objectif est de mettre en place un apprentissage fédéré hiérarchique [1] adapté au continuum CEI, c'est-à-dire réaliser l'apprentissage d'un modèle de Machine Learning à partir des données provenant des acteurs de la couche IoT (par exemple, des smartphones) mais sans centraliser les données au sein du Cloud.

Une attention toute particulière sera portée à la robustesse face à l'hétérogénéité des devices qui est inhérente à un environnement CEI.

Nous souhaitons mettre en place une fonction de monitoring (quels smartphones sélectionner pour l'apprentissage au round T ?) afin d'optimiser la performance du modèle et le cout de l'apprentissage. La fonction dépendra bien sûr de la capacité calculatoire et de la connexion des participants mais nous souhaitons aller plus loin en modélisant un profil d'utilisation des smartphones.

[1] L. Liu, J. Zhang, S.H. Song, and K.B. Letaief. Client-Edge-Cloud Hierarchical Federated Learning. arXiv preprint arXiv: 1905.06641, 2019.

CEA Tech Corporate from CEA Tech on Vimeo.

#CEA-List ; #LI-CB1 ; #Ingénieure ; #Chercheuse ; #Research Engineer ; #AI

Vous disposez d'un doctorat en intelligence artificielle (ou domaine équivalent) obtenu au cours des deux dernières années.

Vous avez connaissance des enjeux et méthodes de l'apprentissage fédéré et/ou de l'environnement Cloud.

Des connaissances en apprentissage par renforcement et prédiction de séries temporelles seraient fortement appréciées.

La maitrise de Python (numpy, pandas, tensorflow ou pytorch) est indispensable.

Vous êtes passionné(e) pour la recherche scientifique, et êtes capable d'apporter des idées novatrices, votre enthousiasme, votre rigueur.

Vous faites preuve d'un esprit d'équipe prononcé.

Conformément aux engagements pris par le CEA en faveur de l'intégration des personnes handicapées, cet emploi est ouvert à toutes et à tous. Le CEA propose des aménagements et/ou des possibilités d'organisation pour l'inclusion des travailleurs handicapés.