Votre rôle
Votre rôle est d’effectuer un travail de thèse sur: "Orchestration dynamique d'IA distribuée pour des réseaux 6G économes en énergie".
L’équipe à laquelle vous serez intégré(e) mène et contribue à des activités de recherche portant sur de nouveaux paradigmes de management de réseau et sur des mécanismes d’orchestration et d’automatisation faisant appel à des technologies avancées, en particulier celles de l'Intelligence Artificielle et des fonctions cloud native.
La thèse s’effectuera au sein du projet collaboratif TREES qui vise à réduire l’empreinte carbone des réseaux 6G en intégrant l'apprentissage fédéré distribué (DFL) comme outil de prédiction des actions d’orchestration et d’amélioration de l’efficacité énergétique. DFL est un paradigme d’Intelligence Artificielle (AI) dont un des attraits est d’être moins énergivore. Pour atteindre cet objectif, TREES (i) concevra une nouvelle architecture et des algorithmes de DFL permettant de limiter la consommation d'énergie ; (ii) proposera des méthodes permettant de mutualiser les données et les apprentissages entre plusieurs applications en s’appuyant sur le cloisonnement des données offert par l’apprentissage fédéré; (iii) développera des algorithmes d'orchestration réseaux et des fonctions d'IA pour minimiser l’empreinte carbone des applications déployées ; (iv) mettra en place, sur un environnement expérimental, une boucle autonome d’administration des réseaux intégrant les différents outils développés dans le projet et des données du monde réel pour faire des évaluations de deux cas d'utilisation : « Leveraging Smart Power Grid for Telco » et « Energy-aware Multi-Tenant AI Function Orchestration ».
L’objectif de la thèse est la conception et le placement dynamique de topologies de fonctions d’IA distribuées sur des topologies réseau et leur intégration sur un testbed.
Les principales réalisations attendues sont:
* Intégration sur un testbed Orange
* Evaluation sur les use-cases définis avec les partenaires du projet
* Mise en place ou extension de projets open-source
Les principaux verrous scientifiques identifiés sont:
* Le placement dynamique de fonctions d’IA sur des topologies réseau, en équilibrant la charge (des données) sur les fonctions d’IA, en tenant compte de la nature non-idd ou idd de ces données
* Gestion du cycle de vie de ces fonctions IA
* La conception d’une solution frugale pour maîtriser la consommation énergétique et l’empreinte carbone tout en préservant QoS et sécurité
Les approches envisagées pour lever ces verrous sont:
* L’extension d’un Data Pipeline System à des architectures dynamiques
* Approches algorithmiques possibles: Monte Carlo search algorithms, Reinforcement Learning, Federated Learning
* Prise en compte des dépendances croisées entre les réseaux telecom et énergétiques
* Prise en compte des contraintes spécifiques du Federated Learning distribué
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.