Post-doctorat en apprentissage automatique _ CDD 24 mois de droit public

Grande école d’ingénieur généraliste de l’IMT-Institut Mines-Télécom, premier groupe d’écoles d’ingénieurs de France, IMT Atlantique a pour ambition d’accompagner les transitions, de former des ingénieurs responsables et mettre l'excellence scientifique et technique au service de l'enseignement, de la recherche et de l'innovation.

Dans le cadre du projet Autonomous Pack dirigé par la start-up spécialiste du suivi des emballages GoodFloow, en collaboration avec les chercheurs de l’IMT, de l’INRIA et de l’IRCICA et qui a pour objectif de développer un emballage industriel réutilisable, traçable, mutualisable entre industriels, nous recrutons une post-doctorante ou un post-doctorant en apprentissage automatique au sein de notre Département Mathematical and Electrical Engineering (MEE).

L'utilisation de ces emballages réutilisables se généralise dans les chaînes logistiques. Son impact est bénéfique économiquement, car il permet de réduire les coûts liés aux rachats d'emballages jetables. Il est également bénéfique pour l'environnement, car les émissions associées à l'ensemble du cycle de vie de l'emballage est bien meilleur que pour les emballages jetables. Aujourd'hui cependant, les entreprises qui utilisent ces emballages réutilisables ne disposent pas d'informations en temps réel sur l'état de l'emballage, ce qui peut entraîner des pertes financières en cas de perte ou de dommage de l'emballage. L'objectif de ce projet est de développer des solutions pour surveiller l'état de ces emballages réutilisables en utilisant des capteurs IoT et des techniques d'apprentissage profond embarquées dans les capteurs.

Pendant les travaux préliminaires, des modèles de réseaux neuronaux ont été développés pour effectuer des tâches simples en utilisant les données de l'accéléromètre. Elles permettent de classifier quelques évènements simple du cycle de vie de l'emballage. Cependant, ces modèles ne sont pas suffisamment robustes pour être utilisés dans un environnement réel. En effet, les données de l'accéléromètre ne sont pas suffisantes pour obtenir une classification précise. Il est donc nécessaire de fusionner les données de l'accéléromètre avec d'autres capteurs pour obtenir de meilleurs résultats.

Si de la littérature existe pour des problèmes similaires, il n'existe pas de solution qui soit directement applicable à notre problème. Il est donc nécessaire de réaliser une synthèse des travaux existants et de les adapter au contexte Goodfloow. Sous la responsabilité fonctionnelle des responsables du projets, et en collaboration étroite avec les équipes impliquées dans le projet, vous devez identifier des capteurs supplémentaires pertinents pour recueillir des informations plus complètes sur l’environnement du paquet et mettre en œuvre cette fusion dans des modèles d’apprentissage profond. Une des thématiques de recherche sera également de travailler à l'embarquabilité de ces modèles, ainsi qu'à leur robustesse.

En outre vous participerez à la valorisation des résultats de ces travaux, en produisant des publications scientifiques pour des revues et des conférences internationales.

Consultez la fiche de poste détaillée