:: Espace candidat
Adresse email :

Mot de passe :

> créer mon compte
> déposer mon CV
> créer une alerte mail
> mot de passe oublié ?
> Emploi Handicap
:: Description de l'offre - IFP Energies nouvelles

 De l'Intelligence Artificielle pour reconnaître les cailloux

IFP Energies nouvelles est un organisme public de recherche, d’innovation industrielle et de formation intervenant dans les domaines de l’énergie, du transport et de l’environnement. Sa mission est d'apporter aux acteurs publics et à l'industrie des technologies performantes, économiques, propres et durables pour relever les trois grands défis sociétaux du 21e siècle : changement climatique et impacts environnementaux, diversification énergétique et gestion des ressources en eau. Son expertise est internationalement reconnue.

IFP Energies nouvelles poursuit 5 priorités stratégiques, indissociables et complémentaires dans l'accomplissement de sa mission d’intérêt général :

  • Produire à partir de sources renouvelables des carburants, des intermédiaires chimiques et de l'énergie
  • Produire de l’énergie en réduisant l’impact sur l’environnement
  • Développer des transports économes et à faible impact environnemental
  • Produire à partir de ressources fossiles des carburants et intermédiaires chimiques à faible impact environnemental
  • Proposer des technologies respectueuses de l'environnement et repousser les limites actuelles des réserves d'hydrocarbures

Son école d'ingénieurs, partie intégrante d'IFP Energies nouvelles, prépare les générations futures à relever ces défis.


De l’Intelligence Artificielle pour reconnaître les cailloux

Les récentes avancées en Intelligence Artificielle ont abouti à des résultats impressionnants permettant la mise au point de systèmes prédictifs fiables. L’utilisation de réseaux de neurones convolutifs (CNN) [1] a ouvert de larges perspectives et de nombreuses applications ont été proposées. Avec ces techniques, il est aujourd’hui possible de reconnaitre avec certitude les différents objets apparaissant dans une image ou un film, identifier précisément des personnes ou encore analyser des documents.

La classification d’images est un champ d’application privilégié des CNNs. Dans ce cas, ces réseaux sont construits, ou entrainés, par apprentissage à partir d’une base de données d’un grand nombre d’images labélisées. Comme base de données disponibles, on peut citer :

  • « MNIST » [2] contenant 60K images de caractères numériques manuscrits labellisées de 0 à 9, permettant de construire des modèles prédictifs sachant lire les nombres,
  • « ImageNet » [3] contenant 14 millions d’images issues du net, labellisées selon 20K catégories, comme par exemple "balloon" ou "strawberry", utilisée pour construire des modèles de classification et reconnaissance d’image.

En règle générale, une base de données d’apprentissage importante permet d’assurer une bonne qualité de prédiction des modèles, mais au détriment du temps d’apprentissage, ou d’entrainement. Pour limiter les temps d’apprentissage, ainsi que le nombre de données nécessaires, il est possible de réutiliser un réseau CNN pré-entrainé sur une base d’apprentissage d’images, puis de l’adapter pour classifier des catégories non initialement prévues. A ce jour, des réseaux CNN pré-entrainés sont proposés par les géants du web tel Google et Facebook.

A IFPEN, un très grand nombre d’échantillons rocheux sont collectés lors des missions de terrain des experts géologues. Ces échantillons forment une base de connaissances métier aujourd’hui sous-exploitée, sur laquelle un réseau CNN pourrait s’appuyer pour proposer une identification automatique de nouveaux échantillons, à destination des professionnels des Géosciences, des étudiants ou des collectionneurs amateurs.

En s’inspirant de Pl@ntNet [4], outil de classification des plantes pour le grand public, le but de ce stage est de mettre au point un outil prototype de classification automatique d’échantillons rocheux en utilisant nos données et proposer un modèle prédictif. Pour cela, il faudra :

  • mettre en forme et compléter la base de données des images labellisées nécessaires pour l’apprentissage en étroite collaboration avec les géologues de IFPEN,
  • Recenser les réseaux CNN pré-entrainés disponibles sur le web,
  • Adapter les modèles pour la nouvelle classification à réaliser.

Profil recherché :

Candidat souhaité : Master 1 ou 2, Ecole d’ingénieur, avec des compétences en programmation :

  • profil formé au machine learning avec intérêt personnel pour la géologie.
  • ou bien : profil formé à la géologie avec intérêt personnel pour le machine learning

ATTENTION : la durée du stage est de 4 mois au plus sans aucune marge de manoeuvre côté IFPEN.

Références :

[1] A. Bhandare, M. Bhide, P. Gokhale, R. Chandavarkar, Applications of Convolutional Neural Networks,  IJCSIT, 2016, vol 7, n°5
[2] http://yann.lecun.com/exdb/mnist/
[3] J. Deng, W. Dong, R. Socher, L.-J. Li, K. Li, F.-F. Li, ImageNet: a Large-Scale Hierarchical Image Database, CVPR 2009, 248-255

[4] A. Affouard, H. Goeau, P. Bonnet, J.-C. Lombardo, A. Joly, Pl@ntNet app in the era of deep learning, ICLR 2017

 Informations

Type de contrat :  Stage
Début :  Entre avril 2019 et septembre 2019
Durée :  4 mois
Région : Ile de France
Discipline : Mathématiques
Rémunération : Oui
 Contact

Référence annonce : 2019_R115_01
Contact : Sylvain Desroziers
Adresse :
1&4, avenue de Bois-Preau
92852  Rueil-Malmaison cedex
 


      Retour à la liste
           
Postuler à cette annonce


 
:: Espace Publicité