Stage PFE Explainable Aubay Intelligence (IA explicable (XAI) · Modèles de diffusion · IA responsable)

Aubay; Boulogne-Billancourt; Sur place; EUR 13 000 - 20 000; Plein temps

Résumé du poste

Aubay recherche un stagiaire de fin d'études pour travailler au sein du lab'Innov, axé sur l'explicabilité et l'éthique de l’IA générative. Le cadre R&D et agile permet d’explorer des sujets innovants autour de l’IA, la data et le numérique responsable, avec des sujets en IA générative et modèles de diffusion.

Le stage se déroule à Paris ou à Lyon, en collaboration avec l’équipe lab'Innov d’Aubay, et vise à livrer un portfolio de benchmarks, d’expérimentations et de présentations pour démontrer

Qualifications

• Stage de fin d'études 4 à 6 mois entre février et avril 2027.
• Établir un cadre d'évaluation et de correction des biais dans les modèles de diffusion.
• Construire un benchmark et mesurer les résultats de façon objective.
• Présenter les résultats et obtenir des démos internes et des publications.

Responsabilités

• Explorer l'état de l'art des méthodes d'évaluation des biais dans les modèles de diffusion.
• Construire ton propre benchmark pour mesurer et comparer les résultats.
• Expérimenter, itérer et améliorer les approches de correction en continu.
• Partager les résultats lors de présentations à des publics experts et néophytes.

Connaissances

IA générative

Éthique en IA

Recherche appliquée

Programmation Python

Formation

École d'ingénieur - dernière année

Outils

Python

PyTorch

Hugging Face

Modèles de diffusion (Stable Diffusion)

Description du poste

Ce sujet de stage est rattaché au lab'Innov d'Aubay. il s'agit de la cellule d'innovation du groupe Aubay. Tu pourras intervenir sur des projets en mode R&D adoptant une approche agile. À Paris ou à Lyon, nous te proposons des sujets Innovants notamment sur l’IA, la Data, le numérique responsable ... et encore pleins d’autres à découvrir !

ici, nous te proposons le stage "Explainable Aubay Intelligence"

Comprendre ce que « pense » un modèle d'IA, détecter ses biais et le piloter de l'intérieur pour une IA plus éthique.

Midjourney, Stable Diffusion, DALL·E : les modèles texte-image sont partout. Mais ils reproduisent — et parfois amplifient — les biais sociétaux contenus dans leurs données d'entraînement. Comment corriger cela sans ré-entraîner des modèles géants à coups de millions d'images ?

Les dernières avancées en interprétabilité ouvrent une voie plus fine, plus éthique et bien plus éco-responsable : identifier à l'intérieur du modèle la « direction » responsable d'un comportement, puis piloter le modèle le long de cette direction — à l'inférence ou dès l'entraînement.

Ton stage se situe exactement à cette frontière : faire dialoguer diagnostic des biais et pilotage interprétable, sur un terrain d'application concrète et spectaculaire, la génération d'images.

• Explorer l'état de l'art des méthodes d'évaluation et de correction des biais dans les modèles de diffusion, et en tirer un cadre de travail solide.
• Construire ton propre benchmark pour mesurer, comparer et objectiver les résultats.
• Expérimenter, itérer et améliorer en continu tes approches de correction.
• Partager tes résultats : présentations à des publics experts comme néophytes, articles et démos internes.

Tu es acteur du sujet de bout en bout : tes choix orientent réellement la suite des travaux.

• Travailler sur des modèles de pointe, dans un domaine qui bouge chaque semaine.
• Découvrir la posture recherche appliquée : lire des papiers, les implémenter, les challenger.
• Donner du sens à ta technique en apportant une véritable dimension éthique et responsable à l'IA générative.
• Repartir avec un portfolio concret (benchmark, expérimentations, présentations) et une expertise XAI rare sur le marché.

Mots clés

IA générative, éthique, modèles de diffusion, explicabilité, recherche appliquée

Technologies

Python, PyTorch, modèles de diffusion (Stable Diffusion), Hugging Face

Tu es en dernière année d'école d'ingénieur ou équivalent, et tu recherches un stage de fin d'études de 4 à 6 mois, pour démarrer entre février et avril 2027.

Tu es une personne motivée, dynamique et autonome. Avec un attrait pour la R&D et l'innovation. Tu aimes le travail en équipe.