Intern Ai-Driven Energy-Aware Adaptive Video Streaming From Client-Side Optimization To End-To-End Collaborative Reinforcement Learning H/F

InterDigital; Cesson-Sévigné; Vor Ort; EUR 12.000 - 20.000; Vollzeit

Zusammenfassung

InterDigital in France is offering an internship to explore energy-efficient adaptive video streaming using reinforcement learning. The project spans the streaming chain, from encoding and bitrate ladders to CDN delivery, with MARL considerations and QoE impact.

You will review methods, implement solutions, and benchmark against classical approaches. The role involves developing RL-based optimization, integrating device energy considerations, and potentially contributing to a scientific paper

Qualifikationen

• Master 2 or final year of engineering school.
• Deep learning and reinforcement learning (RL) expertise.
• Experience with adaptive streaming (HLS, DASH) and video coding.
• Programming in Python; C/C++, JavaScript.
• Knowledge of AI-assisted development tools (OpenAI Codex, Claude Code).

Aufgaben

• Conduct a state-of-the-art review of AI-based streaming approaches.
• Set up the experimental environment and document AI solutions.
• Evaluate performance and analyze results.
• Contribute to a scientific paper for international conference.

Kenntnisse

Deep learning

Reinforcement learning

Python

C/C++

JavaScript

DL frameworks

OpenAI Codex

Ausbildung

Master 2 or final year of engineering school

Tools

HLS

DASH

OpenAI Codex

Jobbeschreibung

Les missions du poste

About InterDigital
InterDigital is a global research and development company focused primarily on wireless, video, artificial intelligence (AI), and related technologies. We design and develop foundational technologies that enable connected, immersive experiences in a broad range of communications and entertainment products and services. We license our innovations worldwide to companies providing such products and services, including makers of wireless communications devices, consumer electronics, IoT devices, cars and other motor vehicles, and providers of cloud-based services such as video streaming. As a leader in wireless technology, our engineers have designed and developed a wide range of innovations that are used in wireless products and networks, from the earliest digital cellular systems to 5G and today's most advanced Wi‑Fi technologies. We are also a leader in video processing and video encoding/decoding technology, with a significant AI research effort that intersects with both wireless and video technologies. Founded in 1972, InterDigital is listed on Nasdaq.
InterDigital is a registered trademark of InterDigital, Inc.
À propos d'InterDigital
InterDigital est une entreprise mondiale de recherche et de développement qui se concentre principalement sur les technologies sans fil, vidéo, d'intelligence artificielle ("AI") et les autres technologies connexes. Nous concevons et développons des technologies fondamentales qui permettent des expériences connectées et immersives dans une large gamme de produits et de services de communication et de divertissement. Nous concédons des licences sur nos innovations dans le monde entier à des entreprises qui fournissent de tels produits et services, notamment des fabricants d'appareils de communication sans fil, d'appareils électroniques grand public, d'appareils IoT, de voitures et d'autres véhicules à moteur, ainsi que des fournisseurs de services basés sur le cloud, tels que la diffusion vidéo. En tant que leader de la technologie sans fil, nos ingénieurs ont conçu et développé un large éventail d'innovations utilisées dans les produits et les réseaux sans fil, depuis les premiers systèmes cellulaires numériques jusqu'à la technologie 5G et les technologies Wi‑Fi les plus avancées d'aujourd'hui. Nous sommes également un leader dans le domaine du traitement vidéo et de la technologie de codage/décodage vidéo, avec un important effort de recherche en matière d'IA qui recoupe à la fois les technologies sans fil et les technologies vidéo. Fondée en 1972, InterDigital est une société cotée au NASDAQ.
InterDigital est une marque déposée d'InterDigital, Inc.
Pour plus d'informations, n'hésitez pas à consulter le site www.interdigital.com.

Summary

The objective of this internship is to investigate how Reinforcement Learning (RL) techniques can improve the energy efficiency of adaptive video streaming while maintaining a high Quality of Experience (QoE) for end users. The study will consider optimization opportunities across the entire streaming chain, from video encoding and bitrate-ladder generation to content delivery through Multi-CDN architectures [1], client-side Adaptive Bitrate (ABR) selection, decoding, and display.
Building on recent research in energy-aware adaptive streaming [2] and reinforcement-learning-based Multi-CDN optimization [3], the internship will explore how energy consumption can be dynamically incorporated into streaming adaptation decisions, alongside traditional criteria such as video quality, rebuffering, latency, throughput, delivery cost, and resilience.
The work will investigate RL-based optimization strategies at different levels of the streaming chain. At the client side, RL models may dynamically adjust the cost functions, weighting parameters, or decision criteria of existing heuristic-based energy-aware ABR algorithms. Such adaptation may consider network and playback conditions, device energy policies, device characteristics and operating conditions, as well as the user's viewing context.
At a broader system level, the internship will also investigate the joint optimization of video representation selection and CDN/delivery-pathway selection. Particular attention may be given to Multi-Agent Reinforcement Learning (MARL), where multiple agents responsible for different adaptation decisions cooperate to achieve a common energy-efficiency and QoE objective. This includes investigating coordination between agents to avoid conflicting optimization decisions.
The intern will first review existing approaches and identify the most influential parameters, decision points, and promising RL-based optimization strategies. Selected solutions will then be implemented and evaluated on an end-to-end adaptive streaming platform. A benchmark will quantify the achievable energy savings, assess their impact on QoE and other performance metrics, and compare the proposed solutions with conventional adaptive streaming and independently optimized approaches.
[1] Ali C. Begen, Yuriy Reznik , Daniel Silhavy (DRAFT) SVTA5078: Architectures for Multi-CDN Switching - SVTA
[2] Baptiste Boutaud De La Combe (2026) Energy-Aware Adaptive Video Streaming Using Deep Reinforcement Learning: Master Thesis. Masters thesis, KTH University.
[3] Joshi, Chidambar (2025) Video Streaming Optimizations via Collaborative Multi-CDN Selection with Deep Reinforcement Learning. Masters thesis, Concordia University.

Responsibilities

• Conduct a state-of-the-art review, identifying the advantages, limitations, and challenges of existing approaches.
• Set up the experimental environment, implement and document AI-based technologies and solutions.
• Evaluate performance, analyze experimental results, and report key findings.
• Contribute to the preparation of a scientific paper for submission to an international conference, as an additional objective.

Résumé

L'objectif de ce stage est d'étudier comment les techniques d'apprentissage par renforcement (Reinforcement Learning, RL) peuvent améliorer l'efficacité énergétique de la diffusion vidéo adaptative tout en maintenant une qualité d'expérience (QoE) élevée pour les utilisateurs finaux. L'étude portera sur les pistes d'optimisation tout au long de la chaîne de diffusion, de l'encodage vidéo et de la génération de l'échelle de débits jusqu'à la distribution des contenus via des architectures multi-CDN [1], la sélection du débit adaptatif (Adaptive Bitrate, ABR) côté client, le décodage et l'affichage.
S'appuyant sur des recherches récentes consacrées au streaming adaptatif écoénergétique [2] et à l'optimisation multi-CDN fondée sur l'apprentissage par renforcement [3], le stage explorera comment intégrer de manière dynamique la consommation d'énergie dans les décisions d'adaptation du streaming, aux côtés de critères classiques tels que la qualité vidéo, les interruptions de lecture (rebuffering), la latence, le débit, le coût de distribution et la résilience.
Les travaux porteront sur des stratégies d'optimisation fondées sur le RL à différents niveaux de la chaîne de diffusion. Côté client, des modèles de RL pourront ajuster dynamiquement les fonctions de coût, les paramètres de pondération ou les critères de décision d'algorithmes ABR écoénergétiques existants fondés sur des heuristiques. Cette adaptation pourra tenir compte des conditions de réseau et de lecture, des politiques énergétiques de l'appareil, de ses caractéristiques et conditions de fonctionnement, ainsi que du contexte de visionnage de l'utilisateur.
À l'échelle du système, le stage étudiera également l'optimisation conjointe de la sélection des représentations vidéo et de celle des CDN et chemins de distribution. Une attention particulière pourra être portée à l'apprentissage par renforcement multi-agents (Multi-Agent Reinforcement Learning, MARL), dans lequel plusieurs agents chargés de décisions d'adaptation distinctes coopèrent pour atteindre un objectif commun d'efficacité énergétique et de QoE. Il s'agira notamment d'étudier la coordination entre agents afin d'éviter des décisions d'optimisation contradictoires.
La personne recrutée commencera par passer en revue les approches existantes et identifier les paramètres les plus influents, les points de décision et les stratégies d'optimisation prometteuses fondées sur le RL. Les solutions retenues seront ensuite implémentées et évaluées sur une plateforme de streaming adaptatif de bout en bout. Une évaluation comparative (benchmark) permettra de quantifier les économies d'énergie réalisables, d'apprécier leur impact sur la QoE et sur d'autres indicateurs de performance, et de comparer les solutions proposées au streaming adaptatif classique et à des approches optimisées séparément.
[1] Ali C. Begen, Yuriy Reznik , Daniel Silhavy (DRAFT) SVTA5078: Architectures for Multi-CDN Switching - SVTA
[2] Baptiste Boutaud De La Combe (2026) Energy-Aware Adaptive Video Streaming Using Deep Reinforcement Learning: Master Thesis. Masters thesis, KTH University.
[3] Joshi, Chidambar (2025) Video Streaming Optimizations via Collaborative Multi-CDN Selection with Deep Reinforcement Learning. Masters thesis, Concordia University.

Durée

Durée : 5 à 6 mois, avec un démarrage entre janvier et avril 2027 ou en septembre 2027

Missions

• Réaliser un état de l'art, en identifiant les avantages, les limites et les défis des approches existantes.
• Mettre en place l'environnement expérimental, implémenter et documenter des technologies et solutions fondées sur l'IA.
• Évaluer les performances, analyser les résultats expérimentaux et rendre compte des principaux enseignements.
• Contribuer, à titre d'objectif complémentaire, à la préparation d'un article scientifique destiné à une conférence internationale.

Le profil recherché

Qualifications Master 2 or final year of engineering schoolundefinedDeep learning, reinforcement learning (RL), DL frameworksAdaptative streaming (e.g., HLS, DASH),Video coding.Computer vision would be appreciatedPythonC/C++, Java scriptProficiency in AI-assisted development tools (e.g., OpenAI Codex, Claude Code)Profil recherchéMaster 2 ou dernière année d'école d'ingénieursundefinedApprentissage profond, apprentissage par renforcement (RL), frameworks de DLStreaming adaptatif (par exemple HLS, DASH),Codage vidéo.Des connaissances en vision par ordinateur seraient appréciéesPythonC/C++, JavaScriptMaîtrise des outils de développement assisté par l'IA (par exemple OpenAI Codex, Claude Code)

Bienvenu chez InterDigital

About InterDigital InterDigital is a global research and development company focused primarily on wireless, video, artificial intelligence (AI), and related technologies. We design and develop foundational technologies that enable connected, immersive experiences in a broad range of communications and entertainment products and services. We license our innovations worldwide to companies providing such products and services, including makers of wireless communications devices, consumer electronics, IoT devices, cars and other motor vehicles, and providers of cloud-based services such as video streaming. As a leader in wireless technology, our engineers have designed and developed a wide range of innovations that are used in wireless products and networks, from the earliest digital cellular systems to 5G and today's most advanced Wi-Fi technologies. We are also a leader in video processing and video encoding/decoding technology, with a significant AI research effort that intersects with both wireless and video technologies. Founded in 1972, InterDigital is listed on Nasdaq. InterDigital is a registered trademark of InterDigital, Inc. À propos d'InterDigital InterDigital est une entreprise mondiale de recherche et de développement qui se concentre principalement sur les technologies sans fil, vidéo, d'intelligence artificielle ("AI") et les autres technologies connexes. Nous concevons et développons des technologies fondamentales qui permettent des expériences connectées et immersives dans une large gamme de produits et de services de communication et de divertissement. Nous concédons des licences sur nos innovations dans le monde entier à des entreprises qui fournissent de tels produits et services, notamment des fabricants d'appareils de communication sans fil, d'appareils électroniques grand public, d'appareils IoT, de voitures et d'autres véhicules à moteur, ainsi que des fournisseurs de services basés sur le cloud, tels que la diffusion vidéo. En tant que leader de la technologie sans fil, nos ingénieurs ont conçu et développé un large éventail d'innovations utilisées dans les produits et les réseaux sans fil, depuis les premiers systèmes cellulaires numériques jusqu'à la technologie 5G et les technologies Wi‑Fi les plus avancées d'aujourd'hui. Nous sommes également un leader dans le domaine du traitement vidéo et de la technologie de codage/décodage vidéo, avec un important effort de recherche en matière d'IA qui recoupe à la fois les technologies sans fil et les technologies vidéo. Fondée en 1972, InterDigital est une société cotée au NASDAQ. InterDigital est une marque déposée d'InterDigital, Inc. Pour plus d'informations, n'hésitez pas à consulter le site www.interdigital.com.

Qualifications

Master 2 or final year of engineering school

undefined

Deep learning, reinforcement learning (RL), DL frameworks

Adaptative streaming (e.g., HLS, DASH),

Video coding.

Computer vision would be appreciated

Python

C/C++, Java script

Proficiency in AI-assisted development tools (e.g., OpenAI Codex, Claude Code)

Profil recherché

Master 2 ou dernière année d'école d'ingénieurs

undefined

Apprentissage profond, apprentissage par renforcement (RL), frameworks de DL

Streaming adaptatif (par exemple HLS, DASH),

Codage vidéo.

Des connaissances en vision par ordinateur seraient appréciées

Python

C/C++, JavaScript

Maîtrise des outils de développement assisté par l'IA (par exemple OpenAI Codex, Claude Code)