Thèse Conception et optimisation de topologies d'IA F/HOrange

L'ambition de la Division Innovation est de porter plus loin l'innovation d'Orange et de renforcer son leadership technologique, en mobilisant nos capacités de recherche pour nourrir une innovation responsable au service de l'humain, éclairer les choix stratégiques du Groupe à long terme et influencer l'écosystème digital mondial.
Nous formons les expertes et les experts des technologies d'aujourd'hui et de demain, et veillons à une amélioration continue de la performance de nos services et de notre efficacité. La division Innovation rassemble, dans le monde, 6000 salariés dédiés à la recherche et l'innovation dont 740 chercheurs. Porteurs d'une vision globale avec une grande diversité de profils (chercheurs, ingénieurs, designers, développeurs, data scientists, sociologues, graphistes, marketeurs, experts en cybersécurité...), les femmes et les hommes de Innovation sont à l'écoute et au service des pays, des régions et des business units pour faire d'Orange un opérateur multiservices de confiance.
Au sein de Innovation, vous serez intégré(e) dans une équipe de recherche en mathématiques appliquées, en particulier en Recherche Opérationnelle. Cette équipe a la charge d'élaborer des modèles et méthodes pour optimiser l'utilisation des ressources (au sens large) et évaluer les performances des infrastructures et réseaux du Groupe Orange.

Votre mission consiste à réaliser une thèse sur la ' Conception et optimisation de topologies d'IA distribuées sur, et pour, le réseau '. Cette thèse s'inscrit dans le cadre d'un projet collaboratif (ANR) dont l'objectif principal est de réduire l'empreinte carbone des réseaux futurs grâce à la conception d'IA distribuées. Vous vous concentrerez en particulier sur les algorithmes d'apprentissage fédéré décentralisé (Decentralized Federated Learning, DFL), qui présentent l'avantage d'être plus frugaux, par conception, que les algorithmes d'apprentissage automatique classiques. Les réseaux, pour gagner en intelligence et en automatisation, intègrent de plus en plus de composants d'IA. Dans un contexte où la réduction de l'empreinte carbone du numérique est devenue une priorité, il devient essentiel de concevoir des IA frugales conciliant performance et sobriété énergétique, à l'image du DFL. Le développement et l'implémentation de ces algorithmes distribués au cour des réseaux nécessitent de faire évoluer les infrastructures existantes et de garantir une coordination intelligente, tant entre les fonctions d'IA qu'entre les domaines de la donnée, du calcul (compute) et des réseaux de communication. L'objectif scientifique principal de cette thèse est de développer un cadre formel pour le problème conjoint de conception de topologies d'IA et de leur placement optimal sur une infrastructure réseau hétérogène. Les modèles et méthodes d'optimisation viseront à minimiser les coûts critiques (énergie, ressources) tout en garantissant les performances (qualité des données, latence, bande-passante). Les principaux verrous scientifiques et techniques à lever concernent : la modélisation des systèmes d'IA distribuées (agents, contexte, flux de données, dépendances) et des topologies virtuelles associées ; la modélisation du problème de placement comme un problème d'optimisation robuste multi-critère (énergie, latence, bande-passante), en intégrant dans les modèles de décision l'incertitude et la volatilité inhérente aux systèmes réels ; la conception d'algorithmes de placement efficaces et de mécanismes permettant de passer d'un placement statique à une orchestration dynamique capable de s'adapter aux changements et aux exigences de coordination.Les approches préconisées reposeront principalement sur les outils de l'optimisation combinatoire et le développement de méthodes de résolution exactes.

Compétences (scientifiques et techniques) et qualités personnelles exigées par le poste
- Modélisation mathématique et recherche opérationnelle : Maîtrise de l'optimisation combinatoire et de l'optimisation stochastique.
- Intelligence artificielle : Bonnes notions en méthodes d'apprentissage automatique (Machine Learning), réseaux de neurones, etc.
- Développement informatique : Maîtrise des langages Python, Julia ou C++, ainsi que l'utilisation de solveurs et de bibliothèques classiques de RO et d'IA.
- Réseaux : Connaissances générales des infrastructures et protocoles réseaux.
Qualités personnelles :
- Méthodique, autonome et curieux.
- Capacité et volonté de travailler au sein d'une équipe projet multi-partenaires.
- Maîtrise de l'anglais (écrit et oral).
- Aptitude à présenter et vulgariser des travaux scientifiques auprès de divers auditoires.
Formation demandée (master, diplôme d'ingénieur, doctorat, domaine scientifique et technique ...)
Titulaire d'un Master 2 ou d'un diplôme d'ingénieur en mathématiques appliquées ou en informatique, avec une spécialisation ou des modules avancés en recherche opérationnelle.
Expériences souhaitées (stages, ...)
Une expérience de stage en optimisation combinatoire ou plus largement en Recherche Opérationnelle serait un plus.