Phd 'Ai For Assessing Mobile Network Vulnerability To Climat Change' H/F Orange

Les réseaux de télécommunication sont essentiels au fonctionnement des sociétés modernes, tant pour les usages grand public que pour les activités économiques et institutionnelles. Dans un contexte de multiplication des événements climatiques extrêmes, les opérateurs font face à une vulnérabilité croissante de leurs infrastructures, susceptible d'entraîner des dégradations de service ou des interruptions localisées.
L'évaluation de cette vulnérabilité constitue un enjeu important pour anticiper les risques, renforcer la résilience des sites radio et mieux préparer les stratégies d'adaptation. Cette problématique est complexe car elle ne dépend pas uniquement des caractéristiques propres aux sites télécoms, mais aussi de leur environnement opérationnel, notamment leur dépendance au réseau électrique et au réseau routier, ainsi que de la difficulté logistique et opérationnelle des interventions en situation de crise.
La thèse s'inscrit dans une approche systémique de l'analyse de vulnérabilité des infrastructures télécom, fondée sur des données réelles hétérogènes et sur des méthodes d'IA permettant d'enrichir les analyses et de générer des scénarios plausibles de crise.

L'objectif de la thèse est d'analyser la vulnérabilité des sites radio face aux phénomènes climatiques extrêmes et de produire des métriques utiles pour renforcer l'adaptation du réseau aux crises.

Les principaux verrous scientifiques et techniques concernent :
L'identification et la représentation des données pertinentes à partir d'un ensemble de données hétérogènes et multi-domaines ;
La définition et la mesure d'indicateurs de vulnérabilité intégrant les caractéristiques physiques des sites, la complexité opérationnelle en cas de crise, ainsi que leur dépendance aux réseaux électrique et routier ;
La difficulté de construire des modèles prédictifs fiables en raison du faible nombre d'événements historiques représentatifs ;
L'enrichissement des données disponibles par des techniques d'IA générative permettant de produire des scénarios de crise variés, réalistes et plausibles.
Les travaux s'appuieront sur des données réelles, des approches de modélisation et de machine learning, ainsi que sur des techniques de génération de données synthétiques telles que les GANs ou les autoencodeurs variationnels. Les résultats attendus visent à proposer des outils réutilisables pour la caractérisation de la vulnérabilité des sites et l'aide à la décision pour les équipes opérationnelles.