Positions & News
Internship, PhD and post-doc offers, and related news. All offers listed below are closed unless stated otherwise; feel free to get in touch about future opportunities.
2027
- Master Offer of 6 Master internships (2027) on Machine Learning Open
2026
- Master Offer of 4 Master internships (2026) on Advanced Deep Learning (Health) Closed
- Master Offer of 1 Master internships (2026) on Knowledge graph reasoning (Competitive intelligence) Closed
- Master Offer of 2 Master internships (2026) on Muti-modal learning (Automobile) Closed
2025
- Master Offer of 1 Master internships (2025) on Muti-modal learning (Health) Closed
- Master Offer of 2 Master internships (2025) on Muti-modal learning (Automobile) Closed
- PhD Offer of PhD thesis (CIFRE, 2025) on Multimodal learning for Diagnosis of electric cars Closed
2024
- Master Offer of 2 Master internships (2024) : 2 on Muti-view learning (Health) Closed
2023
- PhD Offer of PhD thesis (CIFRE, 2023) on machine learning for Competitive Intelligence Closed
- Master Offer of 2 Master internships (2023) on Deep learning (Predictive maintenance, Health) Closed
2021
- Master Offer of 3 Master internships (2021) on machine learning Closed
2020
- PhD Offer of one PhD thesis (H2020, 2020) on multi source learning for quality of life of patients after immunotherapy Closed
- Master Offer of 4 Master internships (2020) on machine learning Closed
2019
- PhD Offer of 2 PhD thesis (IDEX Lyon, 2019) on machine learning for Conversational AI Closed
- PhD Offer of PhD thesis (CIFRE, 2019) on machine learning for optimizing the age of cold rolling tool profiles Closed
- Master Offer of 2 Master internships (2019) on machine learning Closed
2018
- Event Colloque sur l'IA et la médecine personnalisée à Lyon, le 06 Novembre 2018 Details
- PhD Offer of PhD thesis (CIFRE, 2018) on machine learning for user profiling Details
- Post-doc Offer of Post-doc on semi-supervised regression (2018), related to IMU Project: HIREAU Closed HIREAU
- PhD Offer of PhD thesis (CIFRE, 2018) on semi-supervised multi-label learning Closed
- Master Offer of 2 Master internships (2018) on machine learning for recommendation systems Closed
Archive: Sujets de stage Master 2 Recherche pour 2010
Apprentissage statistique pour la détection de fraudes dans les télécommunications
Un appel téléphonique entre deux entités (appelant, appelé) situées dans des zones géographiques éloignées (à l’échelle mondiale) se fait à travers une série d’opérateurs interconnectés les uns avec les autres. Dans cette série chaque opérateur intermédiaire facture à son appelant l’appel reçu pour permettre son acheminement jusqu’au destinataire final. Ceci dit, l’opérateur de ce dernier possède donc une part de bénéfice grâce à cet appel établi. Cependant, il s’avère qu’un intermédiaire « mystère », qu’on appellera « SIM-Box » et qui appartient au même réseau que le destinataire final, peut contracter une ou plusieurs formules d’appels illimités avec lui, ce qui est légal, par contre il construit une interconnexion via Internet (par voix IP par exemple) avec l’opérateur de l’appelant. Ce dernier cheminement est illégal et constitue une fraude pour l'opérateur du destinataire final qui affiche des pertes financières importantes. Pour détecter ce type de fraudes, il existe actuellement deux solutions. La première dite par filtrage sur rapports et qui consiste à détecter les SIM qui effectuent plusieurs appels, à plusieurs destinataires, qui ne reçoivent pas d’appels, qui n’émettent pas de SMS, etc. Cependant, cette solution est généralement contournée par les fraudeurs et ne constitue pas un argument juridique solide en cas de résiliation de contrat pour cause de fraudes ! La seconde solution consiste à investir dans une série d’abonnements, qu’on appellera routes, pour effectuer une campagne d’appels entre les opérateurs associés et l’opérateur « victime » (l’opérateur client) pour analyser et détecter le maximum de fraudes à partir de cartes SIM différentes dans un environnement sous plusieurs contraintes liées : au nombre maximum d’appels par mois, nombre maximum de routes différentes par mois, nombre minimum d’appels par route et au nombre minimum de routes de types (Fixe, GSM, SIP ou Calling Card). La problématique qui découle de ce stage consiste à répondre aux questions suivantes : Ayant M routes et limité par N appels possibles : 1) comment lister les M’ routes potentielles parmi les M disponibles, 2) Quel poids attribuer à une route (un poids d’une route détermine le nombre d’appels à effectuer par cette route), et 3) comment déterminer un paramètre de régulation sur ces routes. Actuellement, la campagne d’appels est effectuée de manière aléatoire avec une intervention constante des experts du domaine mais qui ne garantit aucunement l’optimisation du nombre de fraudes détectées. Dans le cadre de ce stage, nous proposons de développer une approche automatique basée sur l’apprentissage statistique pour déterminer, particulièrement, le poids pour chaque route afin de détecter le maximum de fraudes sous les contraintes citées ci-dessus. Le stage sera contraint par une close de confidentialité et sera effectué en collaboration avec une société spécialisée dans le monitoring en Télécoms.
Encadrants : Khalid Benabdeslem
Contact : kbenabde[at]bat710.univ-lyon1.fr
Apprentissage statistique pour la planification sous contraintes complexes : Application aux livraisons de marchandises
Contexte de l’étude: La planification de trajectoires dans un environnement contraint et complexe nécessite des techniques et des outils robustes pour son optimisation. Le domaine applicatif concerne la livraison de marchandises et plus particulièrement la problématique de la planification des tournées (colis à livrer) sous contraintes. L'objectif recherché ici est d'optimiser la tournée en fonction de contraintes métiers liées à l'infrastructure (liste des clients à satisfaire, contraintes horaires, disponibilité et caractéristiques des aires de livraison : accessibilité, dimensions, etc.) et des perturbations détectées (congestion de trafic, accidents, travaux). Le livreur utilisera le planificateur à la fois pour définir sa tournée avant d'embarquer dans son camion, mais également en dynamique pour modifier une tournée en cours, lorsque des perturbations rendent impossible la tournée prévue. Il doit donc permettre de modifier une tournée enregistrée et prendre en compte de nouvelles contraintes sur les ressources.
Objectifs du stage: L'idée ici est d'étudier l'adéquation des techniques de planification sous contraintes par apprentissage statistique et graphique. Une solution théorique de planification des tournées serait de considérer tous les cas possibles par un parcours d’arborescence. Cette solution n’est pas réalisable vu le nombre exponentiel de recherches. Le problème est donc NP-Complet. A partir d'un ensemble de tournées types, d'aléas prédéfinis, et de contraintes envisagées, il s'agirait de proposer une méthode de classification non supervisées des éléments permettant ensuite d'identifier des situations types ou des attributs clefs pour la planification. Les modèles de classification sous contraintes peuvent être envisagés pour cette fin. Il s’agit d’un domaine récent émergent des domaines conjoints de Data Mining et de l'extraction de connaissances. Il s'agirait ensuite de construire à l'aide des experts du Métier, pour chaque classe de situations identifiée, un ensemble de règles qui permettent de définir un plan de tournée. Pour ce faire, on peut envisager la modélisation des stratégies de planification par un graphe valué tel que les sommets sont les arrêts de la tournée, et les arrêtes seront quantifiées par les distances entre chaque arrêt. Dans un premier temps un graphe initial est défini (il faudra étudier de quelle façon). Puis un processus itératif est envisagé pour apprendre ce graphe jusqu’à convergence (optimisation d’une fonction objectif). De même, il s’agit d’un sujet scientifique ouvert en apprentissage automatique et particulièrement en apprentissage des graphes. Le candidat s’appuiera d’une part sur les compétences métier du projet ALF (projet du Ministère des Transports, Nov2009- Juin2011) pour les connaissances sur le transport et la livraison de marchandises, et d’autre part sur le savoir-faire en matière d’apprentissage automatique et statistique de l’équipe LKD (Learning and Knowledge Discovery) du laboratoire LIESP. Ce travail débouchera sur la réalisation d’un logiciel de planification « clef en main ». Il s’agit de mettre à la disposition des utilisateurs une application implémentant des modèles d’apprentissage en fixant automatiquement les valeurs des paramètres représentant les contraintes.
Encadrants : Khalid Benabdeslem, Véroniques Deslandres
Contact : kbenabde[at]bat710.univ-lyon1.fr , deslandres[at]bat710.univ-lyon1.fr
Lieu : Université Lyon1, LIESP.
Financé par le projet ALF (Aires de livraisons du Futur)
Atelier : Apprentissage et graphes pour les systèmes complexes, Hammamet, 25/05/2009.
