Thèse: Robustesse & Explicabilité des Modèles ML : Application à la Maintenance d'Hélicoptère

Vous rejoindrez le  le département "Data & Health and Usage Monitoring System" au sein du bureau d’étude d’Airbus Helicopters, situé à Marignane où vous serez chargé d'investiguer de nouvelles solutions ‘certifiables’ qui permettent de garantir la fiabilité et l’interprétabilité des modèles d’IA construits à partir des données de vol et utilisés pour améliorer - entre autres - la maintenance des hélicoptères et la sécurité des vols.

Contexte

Les gros volumes de données générées par les objets connectés, conjugués avec des capacités de traitement de plus en plus grandes, ouvrent la porte à des applications diverses de l’apprentissage automatique dans l’industrie. La surveillance de la santé d’un équipement industriel – décider s’il peut être utilisé de manière fiable – est un exemple de ces applications, où l’apprentissage automatique est déjà exploité, notamment pour la détection d’anomalies dans les signaux émanant de l’équipement, afin d’anticiper d’éventuelles pannes.

Dans le domaine aéronautique, très réglementé et où la certification est omniprésente, les applications de l’apprentissage automatique sont également nombreuses mais souvent critiques, dans le sens où une mauvaise prise de décision peut impliquer non seulement des pertes économiques et une insatisfaction client mais aussi des pertes humaines. Dès lors, ces prises de décisions doivent se baser sur des données ou des processus dont le comportement peut être démontré, garantis fiables et interprétables.

Or, ces garanties n’existent pas encore pour les prédictions faites par des modèles construits par apprentissage automatique, et en particulier lorsqu’ils sont issus de techniques de « deep learning ». En effet, d’une part, ces modèles – considérés comme des boîtes noires – peuvent être faiblement prédictifs du fait de leur sensibilité aux données utilisées pour les calculer (appelé domaine d’apprentissage) : qualité des données, variabilité, représentativité, etc. D’autre part, ces modèles risquent de ne pas généraliser en dehors du domaine d’apprentissage, ce qui implique la nécessité d’invalider ou d’adapter toute prédiction faite à partir de données hors de ce domaine. Encore faut-il être capable de construire avec un niveau de garantie suffisant une fonction d’appartenance au domaine d’apprentissage, ce qui peut être difficile notamment dans le cas de données multi-dimensionnelles telles que les séries temporelles multivariées ou les images. Toutes ces questions liées aux garanties de robustesse et de transparence des modèles d’apprentissage automatique font l’objet de recherche actives, mais aussi de travaux de standardisation visant à définir les règles à respecter pour développer des modèles d’apprentissage automatique et les implémenter dans des applications aéronautique critiques.

Quel est l'état de l'art ? 

Les techniques d’apprentissage automatique sont devenues la norme pour la modélisation des séries temporelles multivariées, que ce soit pour la prédiction temporelle (« forecast »), la classification ou la détection d’anomalies. Les questions de fiabilité de ces techniques se posent de la même manière que pour le traitement d’image ou du langage. L’étude de problématiques de transfert ou d’adaptation de domaine ajoute une source supplémentaire de complexité à maîtriser pour garantir le bon comportement des algorithmes, et a été peu étudiée dans la littérature, principalement occupée à développer une démarche d’IA de confiance dans un cadre classique d’apprentissage supervisé. L’arrivée des modèles de fondation, censés apporter de meilleures capacités de généralisation, est une réponse possible à l’amélioration de la robustesse des algorithmes mais reste à confirmer. 

Le sujet de thèse s’inscrit dans un ensemble de thèmes scientifiques maintenant bien établis : Construction de capteurs virtuels, Adaptation de domaine, Apprentissage par Transfert, Prédiction temporelle, Grands modèles pré-entraînés, Détection de données Hors Distribution (OOD), Calibration, Explicabilité, Robustesse aux attaques ou corruptions, mais qui ne sont pas ou peu explorés conjointement. En particulier, l’étude de la robustesse et des garanties de mécanismes de transfert ou d’adaptation de domaine est un champ d’investigation encore peu traité.

Objectifs scientifiques de la thèse:

La thèse s'inscrit pleinement dans le cadre décrit ci-dessus de développement de garanties de robustesse et de transparence des modèles d'apprentissage automatique, centré sur les données d’apprentissage.

Une problématique supplémentaire, encore très peu abordée dans la littérature, est le transfert de ces garanties sur un modèle résultant d’un modèle pré-entraîné (modèle de fondation ou modèle d’un contexte applicatif proche). C’est une problématique très importante dans le domaine aéronautique, où la constitution d’une base d’apprentissage propre, de qualité, représentative et de volume suffisant – permettant idéalement de construire un modèle robuste – peut présenter des coûts importants (en temps et en moyens). Pouvoir transférer un modèle source sur un domaine d’application similaire mais différent, et assurer des garanties de robustesse, est un enjeu pratique certain.

D’un point de vue applicatif, l’objectif est de développer des moyens permettant de garantir la fiabilité d’un capteur virtuel de séries temporelles multivariées, et d’envisager un transfert garanti entre différents domaines d’utilisation, par exemple entre modèles d’hélicoptères ou entre instances d’un même modèle.

D’un point de vue formel, la problématique visée est le développement de techniques permettant d’assurer la robustesse et la fiabilité des algorithmes de capteurs virtuels (de séries temporelles), lors de leur conception ou lors d’un transfert d’apprentissage ou d’une adaptation de domaine. Des approches de calibration, de détection de données hors distribution, d’explicabilité ou de robustesse aux attaques et corruptions pourront être proposées.

Verrous scientifiques :

Définition et caractérisation du domaine d'apprentissage de modèles construits à partir de données temporelles multivariées (lors de la construction des modèles).

Garanties de généralisation à l’intérieur du domaine d’apprentissage et quantification des incertitudes liées aux prédictions qui y sont faites (lors de la construction des modèles).

Détection de toute dérive des données d’un tel domaine d’apprentissage (lors de l’exécution du modèle)

Transfert du domaine d’apprentissage, des garanties de généralisation et de la détection de la sortie du domaine d’apprentissage sur un modèle résultant d’un apprentissage par transfert.

Résultats attendus :

Une méthode de caractérisation et de transfert du domaine d'apprentissage de modèles construits à partir de données temporelles multidimensionnelles.

Une approche garantissant la généralisation au sein du domaine d’apprentissage et une confiance dans les prédictions qui y sont faites (ainsi que son transfert sur un un nouveau problème connexe).

Une évaluation expérimentale sur un capteur virtuel construit par un algorithme de « deep learning » pour la maintenance conditionnelle d’hélicoptères.

Publications d’articles scientifiques et manuscrit de thèse (et éventuellement des brevets si cela est jugé utile).

Planification des travaux de recherche:

T0+ 3 Appropriation des capteurs virtuels de séries temporelles par apprentissage automatique + les exigences de certification et standards développés dans le domaine.

T0+12 Développement de techniques de caractérisation de domaine (ood, calibration, attaques adverses, explicabilité) 

T+18 Développement d’une approche par transfert ou adaptation de domaine pour les séries temporelles.

T+24 Etude du transfert de robustesse et de caractérisation du domaine d’utilisation

T+30 Déroulement de la démarche complète sur un capteur virtuel réel et transfert des résultats aux équipes de développement.

T+36 Rédaction du manuscrit et préparation de la soutenance.

Profil et compétences recherchées 

Master 2 ou Grande école d’ingénieur, avec une spécialisation en intelligence artificielle, traitement du signal ou mathématiques appliquées

Compétence en machine learning et développement Python

Connaissances en aéronautiques

Appétence pour la lecture des standards et ‘means of compliance’ liés à l’utilisation du machine learning dans les applications critiques et l’aéronautique

Esprit de synthèse et d’équipe

Français / Anglais : Avancé (écrit et oral)

Nous recherchons un candidat motivé et désireux de s'investir à nos côtés pendant trois ans. Esprit d'équipe, rigueur, passion, autonomie et sens critique sont les bienvenus!