Bienvenue aux Mines Paristech
Bienvenue à MINES ParisTech
Newsletter International
Website
Théorie & Pratique
Vous êtes

webTV

Lecture

Certificat exécutif : digital native, 3 questions à...

Lecture

Certificat exécutif : digital native, 3 questions à...

Lecture

Mastère Spécialisé AIMove: Artificial Intelligence and Movement in Industries and Creation

Lecture

Olivier Remy, third year student of the Corps des Mines

Lecture

Le Forum mécatronique 2019

+ Toutes les vidéos

Partager

250092018820189201902421825009 Automatisation et vérification de ML par un langage data-flow

Automatisation et vérification de ML par un langage data-flow

A Dataflow language for the automatisation and verification of ML systems

Proposition de thèse

Spécialité

Informatique temps réel, robotique et automatique - Fontainebleau

Ecole doctorale

Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique

Directeur de thèse

HERMANT Olivier

Unité de recherche

Mathématiques et Systèmes

ContactOlivier Hermant
Date de validité

01/10/2020

Site Web
Mots-clés

IA, data flow

AI, data flow

Résumé

Amaris Lab développe une plateforme d'automatisation de processus d'acquisition et de traitement des données. Les processus sont exprimés dans un langage spécifique à un domaine (DSL) orienté workflow. Ce langage est l'épine dorsale du système qui permet de définir et d'exécuter des séquences d'actions telles que :
- Exploration de données automatisée
- Robot Process Automation (RPA)
- Extraction de l'information
- Mise en forme des données (normalisation, prétraitement, Feature Selection)
- Entraînement et application d'algorithmes de Machine Learning
Une interface graphique permettant de créer, visualiser et contrôler ces workflows a été développée. La croissance de l'utilisation de la plateforme demande des extensions du langage afin de l'appliquer à d'autres domaines. Cela génère aussi des besoins en robustesse, en sécurité, en optimisation et en performance d'exécution des workflows.

Amaris Lab develops an automation platform for data acquisition and processing processes. Processes are expressed in a workflow-oriented domain-specific language (DSL). This language is the backbone of the system that makes it possible to define and execute sequences of actions such as:
- Automated data mining
- Robot Process Automation (RPA)
- Extraction of information
- Data formatting (standardization, preprocessing, Feature Selection)
- Training and application of machine learning algorithms
A graphical interface allowing to create, visualize and control these workflows has been developed. The growth of the use of the platform requires extensions of the language in order to apply it to other domains. It also generates robustness, security, optimization, and workflow performance requirements

Contexte

Voir ci-dessus

Encadrement

Voir charte de thèse

Profil candidat

Le candidat devra être titulaire d'un Master 2 ou diplôme d'ingénieur avec une spécialité en informatique en septembre 2019 au plus tard et posséder de bonnes compétences en ingénierie du logiciel. Des connaissances en conception de langages et en machine learning seraient appréciées.

The candidate must hold a Master 2 or an engineering degree with a specialty in computer science by September 2019 at the latest and possess good software engineering skills. Knowledge in language design and machine learning would be appreciated.

Résultat attendu

Le doctorant abordera les thématiques suivantes :
- Ingénierie du logiciel
- Conception de langages
- Machine learning

Au niveau de l'ingénierie logiciel, il s'agira notamment d'assurer le contrôle d'un workflow à l'exécution : arrêt sur une action, retour en arrière, inspection des données en temps réel. Le travail portera aussi sur l'introspection et l'intercession par auto-adaptation du workflow. Ce travail sera ensuite intégré dans la plateforme de traitement des données. Cela sera par exemple l'occasion de définir des moyens de remonter l'arbre de dépendance des erreurs statiques dans l'interface utilisateur.
Concernant le langage lui-même, l'objectif est d'obtenir un maximum de garanties statiques sur les workflows de Machine Learning. En particulier, le doctorant traitera l'optimisation à la compilation et la vérification du typage des flux d'entrée et de sortie. Un travail sur la sémantique du langage est aussi envisagé à travers le lambda-calcul ou encore pi-calcul en vue d'une gestion asynchrone des tâches de processing des données.
L'aspect machine learning sera abordé d'abord sous l'angle du support à l'automatisation des algorithmes du machine learning : il s'agira de manipuler des annotations statistiques sur les flux de données. Des cas d'applications possibles en lien avec nos partenaires et les membres du Lab Amaris apporteront un aspect concret au travail de thèse :
- Maintenance prédictive
- Enrichissement de données

Références

INNES, Michael, SABA, Elliot, FISCHER, Keno, et al. 'Fashionable Modelling with Flux MLSys 2018'. arXiv preprint arXiv:1811.01457, 2018.

Type financement

Convention CIFRE

Partenariat/contrat

Le doctorant rejoindra le laboratoire de recherche du pôle Innovation de l'entreprise Amaris et travaillera en étroite collaboration avec le centre de recherche en informatique de MINES ParisTech.

Laboratoire Amaris
http:/lab.amaris.com
« Les Templiers » 950 route des Colles 06410 Biot – FRANCE

Retour à la liste des propositions

actualité

Andreï Shvarts, prix HIRN 2020

Formation Andreï Shvarts, prix HIRN 2020 Le prix HIRN 2020 est attribué à Andreï Shvarts pour son…
> En savoir +

Ingénieurs et transitions environnementales

Formation Ingénieurs et transitions environnementales En cette rentrée 2020, les Presses des Mines publient…
> En savoir +

Relocalisation, souveraineté, réindustrialisation, résilience : ne confondons pas tout !

Formation Relocalisation, souveraineté,… Le plan France Relance présenté début septembre par le…
> En savoir +

Prix Pierre Londe 2020

Formation Prix Pierre Londe 2020 Le prix « Pierre Londe » 2020 de la meilleure thèse en mécanique des roches en France a…
> En savoir +

Information quantique : une recherche féconde

Formation Information quantique : une recherche féconde Vers le qubit parfait Alors étudiant en thèse sous la…
> En savoir +

+ Toutes les actualités

contact

Régine MOLINS
Direction de l'Enseignement
Service du Doctorat
> envoyer un mail

Plan du site
MINES
ParisTech

60, Boulevard Saint-Michel
75272 PARIS Cedex 06
Tél. : +33 1 40 51 90 00

Implantations
Mentions légales | efil.fr | ©2012 MINES ParisTech | +33 1 40 51 90 00 |