Votre rôle est d’effectuer un travail de thèse sur : “Orchestration dynamique d’IA distribuée pour des réseaux 6G économes en énergie”.
L’équipe à laquelle vous serez intégré(e) mène et contribue à des activités de recherche portant sur de nouveaux paradigmes de management de réseau et sur des mécanismes d’orchestration et d’automatisation faisant appel à des technologies avancées, en particulier celles de l’Intelligence Artificielle et des fonctions cloud native.
La thèse s’effectuera au sein du projet collaboratif TREES qui vise à réduire l’empreinte carbone des réseaux 6G en intégrant l’apprentissage fédéré distribué (DFL) comme outil de prédiction des actions d’orchestration et d’amélioration de l’efficacité énergétique. DFL est un paradigme d’Intelligence Artificielle (AI) dont un des attraits est d’être moins énergivore. Pour atteindre cet objectif, TREES (i) concevra une nouvelle architecture et des algorithmes de DFL pour limiter la consommation d’énergie ; (ii) proposera des méthodes pour mutualiser les données et les apprentissages entre applications avec un objectif de cloisonnement des données par apprentissage fédéré; (iii) développera des algorithmes d’orchestration réseaux et des fonctions d’IA pour minimiser l’empreinte carbone; (iv) mettra en place grâce à une boucle autonome d’administration des réseaux les outils développés dans le projet et des données réelles
L’objectif de la thèse est la conception et le placement dynamique de topologies de fonctions d’IA distribuées sur des topologies réseau et leur intégration sur un testbed.
Les réalisations attendues sont : Intégration sur un testbed Orange- Evaluation sur les use-cases-Mise en place ou extension de projets open-source
Les verrous scientifiques sont : Le placement dynamique de fonctions d’IA sur des topologies réseau, en équilibrant la charge sur les fonctions d’IA, en tenant compte de la nature non-idd ou idd de ces données -Gestion du cycle de vie des fonctions IA- La conception d’une solution frugale pour maîtriser la consommation énergétique et l’empreinte carbone tout en préservant QoS et sécurité
Les approches pour lever ces verrous sont : L’extension d’un Data Pipeline System à des architectures dynamiques -Approches algorithmiques : Monte Carlo search algorithms, Reinforcement Learning, Federated Learning- Prise en compte des dépendances croisées entre les réseaux telecom et énergétiques- Prise en compte des contraintes spécifiques du Federated Learning distribué

Compétences (scientifiques et techniques) et qualités personnelles exigées par le poste
Votre parcours académique ou vos expériences inclus des cours en Optimisation/Recherche Opérationnelle et/ou en Machine Learning.
Vous êtes méthodique, autonome et curieux.
Vous avez la volonté et la capacité de travailler au sein d’une équipe projet répartie chez plusieurs partenaires.
Vous maitrisez l’anglais à l’oral et à l’écrit.
Vous savez présenter/vulgariser des travaux scientifiques à un auditoire.

Formation demandée (master, diplôme d’ingénieur, doctorat, domaine scientifique et technique …)
Vous êtes titulaire d’un Master 2 ou d’un diplôme d’ingénieur en informatique ou mathématiques appliquées

Expériences souhaitées (stages, …)
Une expérience de stage en Optimisation/Recherche Opérationnelle et/ou Machine Learning serait un plus.
Une première expérience de publication scientifique serait un plus.