Vision par ordinateur et IA au service de la navigation aérienne 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 d'Orange Innovation, vous serez intégré(e) dans une équipe de recherche ayant une double expertise en intelligence artificielle et en traitement du signal. Vous serez entouré(e) de chercheuses et chercheurs travaillant sur des sujets innovants et fondateurs pour le futur des télécommunications et en particulier pour la 6G.

La détection et la caractérisation des nuages représentent un enjeu pour l'aide à la navigation aérienne. La couverture, la localisation et la structure des formations nuageuses fournissent des informations utiles.
Ce stage s'inscrit dans le projet Climate Impulse, qui ambitionne de réaliser le premier tour du monde sans escale et sans émission. Il vise à explorer des méthodes d'analyse automatique d'images pour détecter et décrire les conditions nuageuses observées depuis un aéronef.
Les méthodes classiques de vision par ordinateur, comme les modèles YOLO, détectent rapidement des objets, mais nécessitent des données annotées. Les modèles de langage multimodaux peuvent, quant à eux, interpréter une image et en produire une description contextualisée. Ils pourraient compléter ces méthodes en localisant les nuages ou en décrivant la scène dans son ensemble.
Le stage comparera ces deux approches, évaluera leurs performances et leurs limites, et étudiera leur complémentarité pour l'analyse de scènes nuageuses en contexte d'aide à la navigation.
Travail à réaliser
1. État de l'art et données
Réaliser une revue bibliographique sur la détection, la classification et la caractérisation des nuages par vision par ordinateur. Identifier, sélectionner ou enrichir des jeux de données d'images du ciel, aériennes ou embarquées, et étudier la création de données synthétiques adaptées aux cas d'usage.
2. Vision par ordinateur traditionnelle
Mettre en ouvre en Python/PyTorch un ou plusieurs modèles de référence de type YOLO. Les entraîner et les évaluer pour détecter et/ou classer les formations nuageuses, en mesurant leurs performances, leur robustesse aux variations visuelles et leur temps d'inférence.
3. Modèles multimodaux
Tester plusieurs modèles, via API et/ou localement pour les modèles open weight. Concevoir des requêtes produisant une description structurée : présence et couverture des nuages, localisation, caractéristiques observables et incertitude. Évaluer la pertinence, la fiabilité, la latence et les limites des modèles.
4. Comparaison et démonstrateur
Comparer les approches selon leur précision, robustesse, explicabilité, coût et temps de calcul. Étudier une approche hybride combinant détection locale et interprétation de la scène par un modèle multimodal. Réaliser un démonstrateur visualisant les détections et les descriptions produites.

Étudiant(e) en dernière année d'école d'ingénieur ou de master en intelligence artificielle.
Intérêt pour le Deep Learning, la Computer Vision;
Curiosité pour les LLM multimodaux et les approches d'IA générative ;
Rigueur expérimentale
Bonnes compétences en Python;