Aide à la Décision

Les décisions prises au sein des organisations ont souvent un impact sur plusieurs individus, qu’il convient de considérer de manière équitable. Dans ce contexte, l’optimisation équitable vise à produire des solutions efficaces tout en contrôlant l’équilibre des satisfactions des individus vis-à-vis de la solution choisie. Cela peut concerner des problèmes de partage d’objets indivisibles, d’affectation de tâches de façon à équilibrer la charge ou la satisfaction d’individus.

Le LIP6 développe des algorithmes et met en œuvre la bibliothèque open-source Agrum pour apprendre des modèles causaux à partir de données observationnelles.

D'un autre côté, SAP dispose de bibliothèques et d'outils pour développer des modèles prédictifs. Notre objectif est de combiner ces deux domaines et technologies pour quantifier l'influence causale de certaines variables clés sur une cible donnée.

Le CRIGEN est le centre corporate de R&D et d'expertise opérationnelle dédié aux nouveaux gaz, aux nouveaux usages de l’énergie, au digital et technologies émergentes. Situé en région parisienne à Stains (93), il compte 200 collaborateurs. Il fournit des applications industrielles testées, éprouvées et commercialisables, ainsi que de nouvelles offres basées sur le développement et la mise en commun d'idées innovantes, de connaissances scientifiques et d'expertise technique. Sa capacité à innover constitue un avantage clé pour le Groupe ENGIE.

M2 internship in AI and Data Science:

Spasticity is a motor disorder characterized by muscular hyperactivity caused by impaired nerve conduction. Diagnosis of this pathology relies on the assessment of the degree of resistance of the limb following a passive movement performed by the practitioner, and is used to determine the treatment to be followed. However, this assessment remains subjective and requires practical experience, making it difficult to learn for young practitioners.

Ce stage concerne l'application directe de méthodes de machine learning pour la résolution de problèmes d'optimisation combinatoire multi-objectifs. L'objectif est de pouvoir prédire la fréquence d'apparition d'une variable dans les solutions Pareto-optimales, afin d'ensuite utiliser des méthodes d'échantillonnage pour obtenir l'ensemble des solutions Pareto-optimales. L'apprentissage se base sur des techniques d'apprentissage profond spécifiques pour l'apprentissage de graphes, les réseaux neuronaux de graphes (GNN).

Dans le cadre de la plateforme d’apprentissage de Python “AlgoPython” (https://www.algopython.fr/), on veut mettre en place un système permettant de tracer l’activité des apprenants. La finalité immédiate de ce système de traces est de permettre de diagnostiquer les erreurs, en particulier logiques, de l’apprenant. Ce travail pourra s’appuyer sur un état de l’art, fourni, sur une typologie des erreurs en programmation.

Dans ce stage, nous souhaitons utiliser l’intelligence artificielle pour fusionner et analyser des traces multimodales du comportement de l’étudiant(e) afin de détecter automatiquement les variations de son niveau d’attention durant le visionnage de vidéos éducatives. Des traces multimodales désignent des traces qui proviennent de différentes sources complémentaires.

What is the common point between the affectation of students to universities (in particular, in
France, the Parcoursup algorithm), the influence of someone in a social network (like Twitter), the
responsibility of a formula in the inconsistency of a belief base, the impact and synergy of some criteria
in a multi-criteria decision making situation? In all these situations we are confronting with a set of
objects/persons on which we have information on the results of some coalitions/groups, and where it is

Markov Decision Processes (MDPs) and reinforcement learning (RL) are two very successful paradigms adopted in artificial intelligence for designing autonomous agents capable of dealing with sequential decision problems under uncertainty. The decision problem is formalized as a tuple with S the set of system states, A the set of possible actions, T the transition function and R the reward function. The transition function represents the non-deterministic dynamic of the system and gives the probability for the system to move from a state s to a state s’ when an action a is taken.