Thèse Apprentissage et Prise de Décision Sous Incertitude dans les Systèmes Dynamiques Non Stationnaires H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Informatique et sciences du numérique École doctorale : Sciences et Technologies de l'Information et de la Communication Laboratoire de recherche : Laboratoire Interdisciplinaire des Sciences du Numérique Direction de la thèse : Tara YAHIYA Début de la thèse : 2026-01-03 Date limite de candidature : 2026-12-01T23:59:59 Cette thèse porte sur le développement de méthodes d'apprentissage automatique, de prédiction et d'optimisation permettant d'améliorer la prise de décision dans des systèmes dynamiques complexes soumis à l'incertitude et à des évolutions temporelles. Dans de nombreux domaines, tels que la gestion énergétique, le stationnement, les infrastructures et la mobilité, les données disponibles sont souvent incomplètes, hétérogènes, bruitées ou irrégulières. De plus, les conditions d'exploitation et les comportements évoluent dans le temps, ce qui limite la fiabilité des modèles prédictifs traditionnels fondés sur des données historiques.

L'objectif principal de cette recherche est de concevoir des approches capables d'apprendre à partir de données imparfaites, de s'adapter aux changements de dynamique des systèmes et de fournir des prédictions fiables tout en quantifiant leur incertitude. Les travaux s'articuleront autour de trois axes scientifiques complémentaires : (1) l'apprentissage des dynamiques et l'adaptation des modèles aux environnements non stationnaires ; (2) la quantification et la calibration de l'incertitude des prédictions, notamment dans les situations peu observées et les événements rares ; et (3) l'optimisation des décisions successives sous contraintes, en mobilisant des méthodes combinatoires, stochastiques et robustes.

Une attention particulière sera accordée aux interactions entre les différents systèmes, aux effets des décisions sur les observations futures ainsi qu'aux écarts entre les simulations et les conditions réelles. Un jumeau numérique constituera le support expérimental de cette recherche. Il permettra d'intégrer des données historiques et des mesures issues de capteurs, de représenter les interactions entre équipements, de simuler différents scénarios et de comparer les performances des méthodes développées.

Les approches proposées seront évaluées selon plusieurs critères, notamment la précision prédictive, la calibration de l'incertitude, le respect des contraintes opérationnelles, le coût de calcul et les bénéfices opérationnels. Cette recherche vise ainsi à contribuer au développement de méthodes d'intelligence artificielle adaptatives et fiables, capables de soutenir des décisions pertinentes dans des environnements complexes, évolutifs et incertains, tout en étudiant leur transférabilité à différents domaines d'application. Digital Twins plus Machine learning et IoT L'objectif principal de cette thèse est de concevoir et de développer des méthodes d'apprentissage automatique, de prédiction et d'optimisation permettant d'améliorer la prise de décision sous incertitude dans des systèmes dynamiques non stationnaires. Il s'agit notamment de développer des modèles capables d'apprendre à partir de données incomplètes, hétérogènes et bruitées, de s'adapter aux évolutions des systèmes et de quantifier l'incertitude associée aux prédictions. Ces travaux visent également à exploiter ces prédictions pour optimiser les décisions successives sous contraintes, en tenant compte des interactions entre les systèmes et des changements de leur environnement. À travers la mise en place d'un jumeau numérique, cette recherche permettra de simuler différents scénarios, d'évaluer la fiabilité des méthodes proposées et de contribuer au développement de solutions d'intelligence artificielle adaptatives et robustes pour la gestion de systèmes complexes.

Le candidat recherché devra disposer d'une formation de niveau Master 2 ou diplôme d'ingénieur en informatique, intelligence artificielle, science des données, mathématiques appliquées ou domaine équivalent. Il devra posséder de solides connaissances en apprentissage automatique (Machine Learning), apprentissage profond (Deep Learning), statistiques, probabilités et optimisation mathématique. Une bonne maîtrise de la programmation, notamment en Python, ainsi que des bibliothèques dédiées à l'intelligence artificielle et à l'analyse de données, est attendue.