Stage Ingénieur - Federated Learning Continu Sous Hétérogénéité Extreme H/F

Safran - CDD/Stage/Alternance; Massy; On-site; EUR 13,000 - 20,000; Full time

Benefits offered by this job

Possibilité CIFRE

Job summary

Safran Electronics & Defense recherche un stagiaire ingénieur spécialisé en intelligence artificielle pour étudier l’apprentissage fédéré continu dans des environnements hétérogènes.

Vous mettrez en place des environnements expérimentaux et évaluerez des méthodes d’apprentissage et d’agrégation fédérées, avec une attention particulière à la prévention de l’oubli catastrophique et au transfert de connaissances.

Qualifications

• Étudiant en école d'ingénieur en dernière année ou équivalent.
• Bonne maîtrise de Python et des librairies ML (PyTorch, Pandas, NumPy).
• Anglais technique nécessaire.
• Stage CIFRE éventuellement envisagé.

Responsibilities

• Mettre en place un environnement expérimental simulant l’hétérogénéité entre clients.
• Comparer des stratégies d’apprentissage et d’agrégation fédérés.
• Étudier l’impact de méthodes prototypées, distillation et régularisation sur le transfert de connaissances et l’oubli catastrophique.

Skills

Python

Intelligence artificielle

Apprentissage automatique

Anglais technique

Education

École d'ingénieur dernière année

Informatique et mathématiques appliquées

Tools

PyTorch

Pandas

NumPy

Linux

Job description

Safran Electronics & Defense est une entreprise internationale de plus de 19 000 collaboratrices et collaborateurs, qui mobilisent expertises et esprit de corps pour concevoir des solutions de haute technologie dans les domaines de l'aéronautique, de la défense et du spatial.
En combinant intelligence humaine et technologique, l'entreprise développe des produits et services pour les acteurs du monde civil et militaires, sur terre, en mer, dans le ciel et dans l'espace.

Au sein de Safran Electronics & Defense, l'intelligence artificielle est utilisée pour exploiter des données distribuées, complexes et évolutives.
Dans ce contexte, l'apprentissage fédéré permet à plusieurs systèmes d'entraîner conjointement un modèle sans centraliser leurs données, tout en respectant des contraintes de confidentialité, de sécurité et de communication.
Cependant, les données disponibles chez les différents clients peuvent être fortement hétérogènes. Dans le cas extrême du non-IID pathologique, chaque client ne possède des données que pour un sous-ensemble restreint, voire disjoint, des classes du problème. Cette situation peut limiter le transfert de connaissances entre clients. De plus, lorsque de nouvelles classes ou distributions apparaissent progressivement, le modèle risque d'oublier des connaissances précédemment acquises : c'est le phénomène d'oubli catastrophique.

Le stage proposé porte sur l'étude de l'apprentissage fédéré continu dans ce type de contexte.

L'objectif sera d'évaluer la capacité des modèles fédérés à généraliser à des classes absentes localement, tout en préservant leurs performances lors de l'arrivée de nouvelles données ou de nouvelles classes.

Votre rôle consistera à :

• Mettre en place un environnement expérimental reproduisant différents niveaux d'hétérogénéité entre clients, puis à comparer plusieurs stratégies d'apprentissage et d'agrégation fédérés
• Etudier notamment l'impact de méthodes classiques et des méthodes basées sur les prototypes, de la distillation ou de mécanismes de régularisation sur le transfert de connaissances et la prévention de l'oubli catastrophique.

Les performances seront évaluées selon plusieurs critères : précision globale et par classe, généralisation aux classes non observées localement, conservation des connaissances précédentes, convergence et coût de communication.

• Contribuer à mieux comprendre les limites des méthodes fédérées actuelles et à identifier des mécanismes permettant une adaptation plus robuste de modèles distribués et évolutifs.

Vous êtes actuellement en école d'ingénieur dernière année ; généraliste avec spécialité en technologies de l'information ou école spécialisée en informatique et mathématiques appliquées.
Vous êtes reconnu(e) pour votre bon contact humain, ouverture d'esprit, curieux, initiative, autonomie, capacité d'adaptation et esprit de synthèse, goût pour la recherche

Vous disposez de solides compétences techniques en « intelligence artificielle » particulièrement apprentissage machine. Une appétence ou des connaissances en apprentissage distribué ou fédéré sont un plus.

Vous maitrisez le langage Python et avez une expérience avec les librairies scientifiques couramment employées dans le développement de modèles ML (Pytorch, Pandas, Numpy, etc.) sous Linux.
Une maitrise de l'anglais technique est nécessaire.

Ce stage pourra faire l'objet d'une poursuite en thèse CIFRE.