Les missions du poste
L'industrie souhaite effectivement accélérer sa transformation numérique et l'IoT industriel représente une autre brique technologique permettant d'atteindre cet objectif. Les objets IIoT produisent des flux de données hétérogènes, nécessitant une collecte, un traitement et une analyse en temps réel. L'exploitation de ces dispositifs va permettre de générer des informations à forte valeur ajoutée, des outils d'aide à la décision et dans certains cas une automatisation des actions industrielles.
Pour répondre à cette transformation, l'architecture dominante adoptée repose sur un modèle 3-tiers : IIoT - Edge - Cloud, où le traitement peut être distribué selon des contraintes de délai, de ressources de calcul et de criticité des tâches. L'enjeu principal consiste à trouver une articulation optimale entre les ressources disponibles aux différents niveaux de cette architecture et les exigences industrielles. Plusieurs travaux récents explorent cette thématique, mais ils négligent souvent deux aspects majeurs :
- Le coût économique de mise en oeuvre et de scalabilité des solutions,
- Le coût énergétique lié à l'utilisation de l'IA et de l'Edge/Cloud.
Ces freins constituent un obstacle à l'adoption à grande échelle de ce type de solutions dans l'industrie.
L'originalité de ce travail réside dans l'intégration d'une IA distribuée comme mécanisme fédérateur et décisionnel, permettant une exploitation synergique des ressources Edge et Cloud au sein d'environnements industriels variés, tout en intégrant dès la conception les contraintes de coûts économiques et énergétiques souvent négligées dans les contributions existantes. Les objectifs de ce projet sont :
- Concevoir une architecture flexible et évolutive intégrant une IA distribuée, de la virtualisation et de l'automatisation.
- Optimiser la répartition dynamique des charges entre les noeuds IIoT, Edge et Cloud.
- Proposer une méthodologie permettant de concilier hautes performances, faible latence et efficacité énergétique.
- Evaluer l'impact économique et énergétique des solutions proposées afin de lever les freins à leur adoption en milieu industriel.
Pour atteindre les objectifs fixés, la méthodologie envisagée reposera sur une combinaison d'approches théoriques, algorithmiques et expérimentales permettant de traiter la complexité des environnements industriels connectés.
En premier lieu, une modélisation mathématique du système et de ses contraintes sera élaborée, de manière à formaliser les interactions entre les différents niveaux de l'architecture distribuée (IIoT, Edge, Cloud) et à identifier les contraintes dans les environnements industriels. Cette étape sera complétée par l'identification d'indicateurs de performance (KPI) pertinents, tels que la latence, les ressources allouées, l'efficacité énergétique et le coût, qui serviront de référence pour la conception et l'évaluation des solutions proposées.
Sur le plan algorithmique, le projet développera des approches basées sur l'apprentissage fédéré et multi-agents, capables de traiter des données décentralisées et hétérogènes. Aussi, des algorithmes d'offloading intelligent, seront développés afin de répartir dynamiquement les traitements de données entre Edge et Cloud, tout en tenant compte des contraintes temporelles, énergétiques et économiques propres aux différents scénarios qui seront étudiés.
L'efficacité et la pertinence des solutions seront validées par une évaluation multicritère approfondie intégrant coût de l'infrastructure, performances et consommation énergétique.
Enfin, le projet aboutira au développement de nouveaux outils de décision et d'automatisation, destinés à optimiser l'allocation de ressources et à favoriser un pilotage adaptatif des environnements étudiés, renforçant ainsi la résilience et l'efficacité globale de l'architecture proposée.
Le profil recherché
Master 2 (ou équivalent) en informatique, réseaux, intelligence artificielle ou génie industriel, avec une spécialisation en réseaux, IA distribuée ou optimisation des systèmes.
Expérience solide en modélisation mathématique (théorie des jeux, optimisation combinatoire, apprentissage automatique) et en simulation de systèmes complexes.
Compétences clés :
IA distribuée : Maîtrise des approches telles que l'apprentissage fédéré, les systèmes multi-agents ou l'apprentissage par renforcement, appliquées à des environnements décentralisés.
Réseaux et architectures distribuées : Bonne compréhension des architectures IIoT-Edge-Cloud et des protocoles de communication modernes (5G/6G).
Optimisation et résolution de problèmes : Capacité à modéliser et résoudre des problèmes d'optimisation à l'aide de méthodes comme les algorithmes génétiques.
Qualités personnelles et professionnelles :
Autonome et rigoureux·se, avec une forte capacité à travailler de manière indépendante.
Esprit collaboratif, doté·e d'excellentes compétences en travail d'équipe et en communication.
Maîtrise de l'anglais scientifique (niveau C1 ou supérieur), incluant la rédaction d'articles, les présentations orales et les échanges internationaux.
Bienvenue chez Doctorat.Gouv.Fr
Publiée le 21/04/2026 - Réf : 86133c104f1f81e4d640a01143119b6e