Stage en IA
Il y a 2 jours
Orléans, Centre, France
BRGM
Temps plein
Gratuit avec email ou Google
Enregistrez cette offre et organisez votre recherche
Créez un compte gratuit pour enregistrer des offres d'emploi, créer des alertes et revenir à cette liste depuis votre tableau de bord.
Gratuit avec email ou Google
En continuant, vous acceptez nos Conditions d’utilisation & Politique de confidentialité.
Les sols sont essentiels mais menacés, et leur dégradation impacte lourdement les humains et les écosystèmes. Bien qu'il soit crucial de les intégrer dans l'aménagement spatial, les concepteurs manquent souvent de connaissances et de réglementations claires. Pour y remédier, la future législation européenne va renforcer la sensibilisation et valoriser les outils existants. Dans ce contexte, le projet européen SPADES développe un outil web, nommé le Navigator, pour aider les aménageurs à identifier les méthodes de caractérisation des sols adaptées à leurs besoins. Cet outil expose et structure les données selon les principes du Web Sémantique (Linked Data, Graphe de Connaissances). Afin d'offrir une expérience utilisateur optimale et de valoriser pleinement la richesse de nos données et des liens entre elles, nous souhaitons faire évoluer nos fonctionnalités de recherche. L'enjeu de ce stage est de dépasser la simple recherche par mots-clés textuels pour proposer un système de recherche "intelligent", capable de tirer parti des relations, de la sémantique et de l'ontologie de nos données. Vos tâches principales seront :
- État de l'art : Étudier les approches existantes pour la recherche dans les graphes de connaissances (recherche hybride texte/graphe, vectorisation/embeddings de graphes, traduction de requêtes en langage naturel vers SPARQL).
- Analyse de l'existant : Appréhender l'architecture actuelle de l'outil, le modèle de données (ontologies, schémas RDF) et identifier les points de friction de la recherche actuelle.
- Conception & Prototypage : Développer un ou plusieurs modules de recherche avancés. Quelques pistes envisagées :
• Axe Natif Full-Text : Configuration et indexation des littéraux du graphe via Jena Text (Apache Lucene) pour sécuriser une recherche textuelle rapide et intégrée en SPARQL.
• Axe Intelligence Artificielle : Dense retrieval. Extraction et vectorisation (via un modèle d'embeddings de phrases/entités) des nœuds du graphe pour alimenter une base de données vectorielle (Vector DB). L'objectif est de permettre une recherche par similarité conceptuelle.
• Solution hybride.
- Évaluation : Comparer la pertinence des résultats (Précision, Rappel), l'expérience utilisateur apportée par l'IA (tolérance aux synonymes, requêtes en langage naturel) et la performance technique (temps de réponse).
- Intégration : Documenter vos travaux et participer à l'intégration du prototype retenu dans l'application principale. Vous mobiliserez les compétences et les qualités suivantes :
- Étudiant·e en dernière année d'Ecole d'Ingénieurs ou en Master 2 Spécialisé en Informatique (Data Science, Intelligence Artificielle, Ingénierie des Connaissances ou Web Sémantique).
- Bonne maîtrise de Java et/ou Python et sensibilité aux concepts d'IA (Natural Language Processing, vectorisation, embeddings).
- Idéalement, une première approche ou une forte curiosité pour les technologies du Web Sémantique (RDF, SPARQL).
- Curiosité scientifique, autonomie dans la recherche de solutions (R&D), rigueur et esprit de synthèse.
- État de l'art : Étudier les approches existantes pour la recherche dans les graphes de connaissances (recherche hybride texte/graphe, vectorisation/embeddings de graphes, traduction de requêtes en langage naturel vers SPARQL).
- Analyse de l'existant : Appréhender l'architecture actuelle de l'outil, le modèle de données (ontologies, schémas RDF) et identifier les points de friction de la recherche actuelle.
- Conception & Prototypage : Développer un ou plusieurs modules de recherche avancés. Quelques pistes envisagées :
• Axe Natif Full-Text : Configuration et indexation des littéraux du graphe via Jena Text (Apache Lucene) pour sécuriser une recherche textuelle rapide et intégrée en SPARQL.
• Axe Intelligence Artificielle : Dense retrieval. Extraction et vectorisation (via un modèle d'embeddings de phrases/entités) des nœuds du graphe pour alimenter une base de données vectorielle (Vector DB). L'objectif est de permettre une recherche par similarité conceptuelle.
• Solution hybride.
- Évaluation : Comparer la pertinence des résultats (Précision, Rappel), l'expérience utilisateur apportée par l'IA (tolérance aux synonymes, requêtes en langage naturel) et la performance technique (temps de réponse).
- Intégration : Documenter vos travaux et participer à l'intégration du prototype retenu dans l'application principale. Vous mobiliserez les compétences et les qualités suivantes :
- Étudiant·e en dernière année d'Ecole d'Ingénieurs ou en Master 2 Spécialisé en Informatique (Data Science, Intelligence Artificielle, Ingénierie des Connaissances ou Web Sémantique).
- Bonne maîtrise de Java et/ou Python et sensibilité aux concepts d'IA (Natural Language Processing, vectorisation, embeddings).
- Idéalement, une première approche ou une forte curiosité pour les technologies du Web Sémantique (RDF, SPARQL).
- Curiosité scientifique, autonomie dans la recherche de solutions (R&D), rigueur et esprit de synthèse.