Le Deep Learning est un ensemble de techniques d’apprentissage automatique basé sur plusieurs niveaux de représentation des données. À travers les différentes couches on passe des paramètres de bas niveau à des paramètres de plus haut niveau. Ces architectures permettent aujourd’hui de donner du sens à des données sous forme d’image, de son ou de texte et ont permis des progrès importants dans le domaine de la vision par ordinateur (computer vision). Ces progrès ont suscité depuis 2010 beaucoup d’intérêt dans le monde académique ainsi que des investissements privés notamment de la part des grandes firmes (Google, Apple, Facebook, etc.).

AriadNEXT utilise déjà les technologies deep learning dans ses solutions actuelles à travers plusieurs réseaux neuronaux. La performance de tels réseaux est souvent liée à la qualité et la taille de la base d’entraînement. Bien qu’une grande quantité de donnée soit nécessaire, la représentation des différentes classes peut être déséquilibrée, ce qui peut mener à une sur-performance pour certaines classes et une sous-performance pour d’autres. De plus, la présence des échantillons bruités (ex. mauvaise qualité d’image ou une mauvaise labellisation) de certaines classes rend la convergence de l’apprentissage plus difficile.

L’objectif de ce stage est d’explorer des approches d’optimisation des bases d’apprentissage dans le but d’améliorer la qualité d’un entraînement en explorant deux axes :
• Les approches de sélection des échantillons pertinents pour une meilleure qualité d’apprentissage
• Les méthodes de détection des mauvaises prédictions (inférences) du réseau afin de les utiliser pour enrichir la base d’apprentissage.

Vos missions
Au sein du pôle Recherche, vous aurez comme missions :
• Prendre en main le deep learning développé à AriadNEXT
• Préparation des bases d’apprentissage et de test
• Développement des programmes d’apprentissage et d’évaluation
• Apprentissage et génération des modèles
• Mise en application des méthodes de sélection et d’optimisation de base d’apprentissage

Environnement
• C/C++
• Linux
• Apprentissage profond (Caffe, Caffe2, TensorFlow)
• Traitement d’images

• Bac + 5 (Ecole d’ingénieur / M2)
• Profil dynamique, motivé, intéressé par l’intelligence artificielle et l’apprentissage automatique
• Bonnes connaissance du génie logiciel, et des systèmes Linux
• Disponibilité : 6 mois

Un process de recrutement rapide :

Un premier entretien avec des membres de l’équipe.
Un dernier entretien avec les fondateurs