Job offer

L'IA explicable vise à rendre les recommandations des systèmes d'IA plus transparentes et interprétables. La sélection d'attributs, composante clé de ce processus, consiste à choisir un sous-ensemble d'attributs pertinents pour les modèles d'induction, tout en préservant la sémantique originale des données. Cette sélection peut être formulée comme un problème d'optimisation. Cependant, sa complexité intrinsèque soulève des verrous scientifiques qui contraignent les méthodes actuelles à produire des solutions sous-optimales, révélant ainsi un biais encore mal compris dans les approches existantes. Ce projet de thèse interdisciplinaire vise à étudier et améliorer ces technologies dans le cadre de l'optimisation et de l'IA explicable, tout en évaluant leurs avantages dans le domaine environnemental. En effet, la sélection d'attributs trouve des applications dans divers domaines, notamment l'étude des phénomènes météorologiques. En particulier, nous nous intéresserons à la prédiction et à l'analyse des événements extrêmes, ainsi qu'à l'étude de la répartition de la pollution atmosphérique dans le contexte des changements climatiques régionaux. Le développement des énergies vertes s'inscrit dans une perspective plus large de développement économique régional. Ce projet exploitera ainsi des données locales de télédétection, des données globales de réanalyses (ERA5), et celles provenant de divers modèles climatiques.

Début de la thèse : 01/10/2025

Funding category : Financement d'une collectivité locale ou territoriale

Ce poste est ouvert aux titulaires d'un Master ou d'un diplôme d'ingénieur en informatique et/ou en physique. Les candidats doivent posséder une solide expertise en algorithmique, optimisation combinatoire, apprentissage automatique et science des données. Une connaissance approfondie de la physique atmosphérique et des sciences environnementales constitue un atout majeur. La maîtrise de la programmation (Python) est également indispensable.

This position is open to candidates holding a Master's degree or engineering degree in computer science and/or physics. Candidates should demonstrate strong expertise in algorithms, combinatorial optimization, machine learning, and data science. A thorough understanding of atmospheric physics and environmental sciences is highly desirable. Proficiency in (Python) programming is essential.