Opportunités

Sujet :

La grande majorité des personnes qui vivent dans les grandes villes font face à de longues journées, entre les heures de travail prolongées et le temps passé dans les transports, il est clair qu’une grande partie d’entre elles sont constamment fatiguées [1].

Pourtant, il y a des jours où l’on se sent moins fatigué, même si l’on a accompli plusieurs tâches, même si le métro a été perturbé, même si l’on a passé plus d’heures que d’habitude au bureau…

Ce sentiment de fatigue peut provenir en partie du mode de vie de la personne (manque de sommeil, alimentation insuffisante…). Mais une partie de la fatigue peut aussi être liée aux conditions cognitives des sujets. La littérature académique montre que le système sympathique peut influencer la fatigue quotidienne [2]. Le système sympathique est le système responsable des réactions de “fight-or-flight”, et certaines émotions telles que le stress et l’anxiété sont étroitement liées à ce système.

Comment le système sympathique peut-il influencer la fatigue des sujets ? C’est la question générale à laquelle ce stage tentera de répondre.

Plus précisément, le stagiaire devra :

• Examiner la littérature académique pour mieux comprendre le sujet et trouver des protocoles de collecte de données relatives au stress, à l’anxiété et à la fatigue.
• Recueillir les données biométriques liées à ces états cognitifs.
• Traiter et analyser les données recueillies.
• Développer des algorithmes d’apprentissage automatique capables d’identifier chaque situation individuellement.
• Identifier l’influence du stress et de l’anxiété sur la fatigue quotidienne.
• Rédiger un rapport scientifique.

Observations :

• Il s’agit d’un stage pluridisciplinaire lié aux thèmes de la cognition humaine et des algorithmes d’apprentissage automatique.
• Le stagiaire doit être motivé pour travailler dans ces deux domaines, être organisé et avoir de bonnes capacités de communication écrite et orale.
• L’objectif final est de rédiger un article qui sera soumis à une revue scientifique.

Informations pratiques :

• Ce stage sera rémunéré à hauteur de 1200 euros bruts par mois.
• Le stage durera 6 mois et devrait débuter en février 2024.

Références:

[1] Madden, D. (2022). Tired city: on the politics of urban exhaustion. City, 26(4), 559-561.

[2] Tanaka, M., Mizuno, K., Yamaguti, K. et al. Autonomic nervous alterations associated with daily level of fatigue. Behav Brain

Personnes à contacter :

Aakash SONI – aakash.soni@ece.fr

Guilherme MEDEIROS MACHADO – gmedeirosmachado@ece.fr

Le contexte de travail :

Ces dernières années, les modèles de langage tels que BERT, GPT, et LLM ont considérablement transformé le domaine du traitement automatique des langues (TAL). Leur capacité à capturer des informations contextuelles complexes a conduit à des performances exceptionnelles sur diverses tâches et dans de multiples langues. Ces modèles ont établi de nouveaux standards en matière de compréhension du langage naturel et de génération de texte.

Dans le contexte de ce stage, nous nous concentrons spécifiquement sur l’analyse des sentiments multilingue. L’analyse des sentiments est une tâche fondamentale du traitement du langage naturel (TAL), impliquant l’évaluation des sentiments et de la tonalité exprimée (polarité) dans un texte [1,2]. Grâce à ces modèles d’IA, nous développons des systèmes d’analyse des sentiments puissants sur le plan linguistique, capables de traiter efficacement des textes provenant de sources diverses et dans différentes langues. En intégrant ces modèles dans notre approche, nous améliorons la précision du modèle et la polyvalence de l’analyse des sentiments à l’échelle mondiale.

Problématique :

Malgré les avancées significatives des modèles GPT et Transformers, la compréhension des nuances culturelles et linguistiques dans l’analyse des sentiments multilingue reste un défi. Comment pouvons-nous adapter ces modèles pour mieux saisir la diversité des expressions émotionnelles à travers différentes langues et cultures, et quelles stratégies peuvent être mises en œuvre pour optimiser leur performance dans ce contexte ?

Tâches et Objectifs :

• Extraction de données multilingues : Collecter des ensembles de données variés et représentatifs, couvrant différentes langues et sources, pour entraîner et évaluer nos modèles.
• Prétraitement de données : Nettoyer et prétraiter les données textuelles pour les rendre prêtes à l’analyse.
• Analyse des sentiments : Mettre en place des modèles d’apprentissage automatique adaptés à l’analyse des sentiments dans un contexte multilingue, en explorant des architectures telles que les Transformers, les LLM et les modèles génératifs GPT.
• Extraction de l’information : Analyser le comportement des sentiments dans différentes langues.

Profile :

• Exploration approfondie des méthodes d’apprentissage profond.
• Expérience approfondie du langage de programmation Python.
• Intérêt pour le traitement des données et des modèles pré-entraînés sur différentes langues.
• Intérêt pour la lecture et l’écriture d’articles scientifiques ainsi qu’une certaine curiosité pour les défis de recherche.

Informations pratiques :

• Ce stage sera rémunéré à hauteur de 1200 euros bruts par mois.
• Le stage durera 6 mois et devrait débuter en février 2024.

Références:

[1] Deshpande, Ameet Shridhar et al. “When is BERT Multilingual? Isolating Crucial Ingredients for Cross-lingual Transfer.” North American Chapter of the Association for Computational Linguistics (2021).

[2] Dou Hu, Lingwei Wei, Yaxin Liu, Wei Zhou, and Songlin Hu. 2023. UCAS-IIE-NLP at SemEval-2023 Task 12: Enhancing Generalization of Multilingual BERT for Low-resource Sentiment Analysis. In Proceedings of the 17th International Workshop on Semantic Evaluation (SemEval-2023), pages 1849–1857, Toronto, Canada. Association for Computational Linguistics.

Personne à contacter :

Assia SOUKANE- assia.soukane@ece.fr

Faiza BELBACHIR – fbelbachir@ece.fr

Sujet :

Les patients atteints de cancer peuvent être confrontés à une limitation de leur prise alimentaire pour plusieurs raisons. Tout d’abord, la pathologie cancéreuse, en elle-même, peut induire une anorexie (1). Ensuite, certaines localisations tumorales entrainent des symptômes limitant l’alimentation : dysphagie dans les tumeurs ORL et œsophagiennes, douleurs abdominales et vomissements dans les tumeurs gastriques et pancréatiques (2). Finalement, certains traitements anticancéreux de type chimiothérapie systémique, thérapie ciblée, radiothérapie peuvent être directement responsables de symptômes réduisant les ingesta des patients : mucite, troubles du gout, nausées, vomissements, dysphagie, anorexie, troubles du transit (3). Il peut en résulter un amaigrissement, voire le développement d’un état de dénutrition (4). Les altérations de l’état nutritionnel exposent alors à des déficits micro nutritionnels (5).

Les déficits micro nutritionnelles sont connus pour avoir des répercussions clinico-biologiques spécifiques. Ainsi, les déficits en vitamine B9, vitamine B12, fer et cuivre peuvent entraîner une anémie (6, 7, 8, 9). Les déficits en zinc, sélénium, fer, vitamine D sont associés à des dysfonctions immunitaires. Les déficits en vitamine B1 et en sélénium peuvent fragiliser la fonction cardiaque. Les déficits en vitamine PP et zinc exposent à des dermatoses cutanées, et des problématiques de cicatrisation cutanée. Les déficits en vitamines B1, B6, B12, PP, cuivre peuvent induire des complications neurologiques.

Ces conséquences clinico-biologiques sont problématiques pour les patients atteints de cancer, déjà fragilisés par leur pathologie et ses traitements spécifiques. Il s’agit en effet de patients immunodéprimés, particulièrement exposés à un risque d’anémie par toxicité médullaire, sous certaines chimiothérapies. Certaines thérapeutiques anticancéreuses ont également des toxicités cardiaques, neurologiques et dermatologiques.

Il apparait alors intéressant de pouvoir dépister et corriger les éventuels déficits micro nutritionnels présents chez les patients en cours de prise en charge d’un cancer.

Cependant, peu d’études ont analysé la prévalence des déficits micro nutritionnels en cancérologie et leurs conséquences clinico-biologiques potentielles en dehors de la vitamine D et du fer.

Par ailleurs, la mise en évidence de ces déficits nécessite des prélèvements sanguins dont l’analyse pour certains micronutriments (zinc, sélénium, cuivre, vitamines B1, B6, PP) est externalisée vers des laboratoires externes spécialisés. Ce qui pose les problèmes d’endommagement des tubes pendant le transport, de délais longs d’obtention des résultats et de coût financier non négligeable.

L’élaboration d’algorithme de prévision, via des scores de risque de déficits micro nutritionnels pourrait être intéressante afin de cibler les patients chez qui des prélèvements sanguins pour dosages plasmatiques de micro-nutriments auraient un intérêt. On pourrait alors considérer la réalisation de dosages sanguins seulement chez les patients avec un score de risque élevé de déficit.

Le projet est une collaboration entre l’Institut Gustave Roussy (IGR) et L’ECE – Paris. L’équipe est composée de 2 médecins de l’IGR spécialisés en nutrition clinique chez les patients atteints de cancer et d’enseignants chercheurs à l’ECE.

Tâches et Objectifs :

• Déterminer la prévalence des déficits micro nutritionnels dans une cohorte de patients adultes, atteints de cancer, hospitalisés, dans un service de Nutrition-Soins de Suite et de Réadaptation d’oncologie.
• Identifier de potentiels facteurs associés (cliniques, paracliniques, anamnésiques) aux déficits micro nutritionnels au sein de la population de patients étudiée.
• Etablir des scores de risque prévisionnel de déficits micro nutritionnels dans cette population de patients étudiée.

Informations pratiques :

• Ce stage sera rémunéré à hauteur de 1200 euros bruts par mois.
• Le stage durera 6 mois et devrait débuter en février 2024.
• Une partie de ce travail sera effectué à l’IGR.

Références:

[1] Hariyanto TI, Kurniawan A. Appetite problem in cancer patients: Pathophysiology, diagnosis, and treatment.  Cancer Treat Res Commun. 2021;27:100336

[2] Navari RM. Nausea and Vomiting in Advanced Cancer. Curr Treat Options Oncol. 2020 Feb 5;21(2):14.

[3] Gupta K, Walton R, Kataria SP. Chemotherapy-Induced Nausea and Vomiting: Pathogenesis, Recommendations, and New Trends. Cancer Treat Res Commun. 2021;26:100278

[4] Bossi P, Delrio P, Mascheroni A, Zanetti M. The Spectrum of Malnutrition/Cachexia/Sarcopenia in Oncology According   to Different Cancer Types and Settings: A Narrative Review. Nutrients. 2021 Jun 9;13(6):1980

[5] Clement DS, Tesselaar ME, van Leerdam ME, Srirajaskanthan R, Ramage JK. Nutritional and vitamin status in patients with neuroendocrine neoplasms World J Gastroenterol. 2019 Mar 14;25(10):1171-1184

[6] Lazarchick J. Update on anemia and neutropenia in copper deficiency. Curr Opin Hematol. 2012 Jan;19(1):58-60

[7] Green R. Vitamin B12 deficiency from the perspective of a practicing hematologist.  Blood. 2017 May 11;129(19):2603-2611

[8] Tardy AL, Pouteau E, Marquez D, Yilmaz C, Scholey A. Vitamins and Minerals for Energy, Fatigue and Cognition: A Narrative Review of the Biochemical and Clinical Evidence. Nutrients. 2020 Jan 16;12(1):228

[9]Pasricha SR, Tye-Din J, Muckenthaler MU, Swinkels DW. Iron deficiency.  Lancet. 2021 Jan 16;397(10270):233-248

Personnes à contacter :

Amine JAOUADI – ajaouadi@ece.fr

Guilherme MEDEIROS MACHADO – gmedeirosmachado@ece.fr

Sujet :

Ce stage s’inscrit dans la thématique de la mise en place des technologies des réseaux 6G pour la gestion énergétique des sources vertes renouvelables dans le cadre des smart grids. Il vise à proposer un algorithme basé sur l’apprentissage automatique ; cet algorithme a pour but permet d’aider à la prise de décision du programme de modulation de demande. Ainsi, à la lumière de cet algorithme, le consommateur adoptera le programme le plus convenable en fonction de ses besoins et afin de réduire sa facture électrique. 

En effet, les programmes de modulation de demande DR ont pour objectif de moduler la courbe de charge d’électricité en décalant les charges, en écrêtant les pointes ou en remplissant les creux.

• Le déplacement de la demande, ou load-shifting, consiste à décaler la demande d’un appareil électrique, c’est-à-dire à reporter ou avancer une demande d’une tranche horaire de la journée à une autre.
• La réduction du pic de demande électrique, ou peak clipping, peut se faire via la réduction ou la coupure très ponctuelle d’un usage électrique [1].
• Alors que les deux dernières stratégies d’action de Demand Response cherchent à aplanir la courbe de charge en écrêtant les pics de demande, le «valley filling» permet d’augmenter la charge durant les périodes où elle est moins importante.

Dans le cadre de ce projet, nous préconisons l’intelligence artificielle via l’apprentissage automatique comme outil de base pour aider le consommateur à adopter un programme de modulation de demande. En effet, l’intelligence artificielle a fait ses preuves dans la maîtrise de la production et de la consommation d’énergie, ainsi que dans la maitrise de l’offre et la demande d’énergie [2-5]. Plus spécifiquement, les algorithmes d’apprentissage automatique permettent d’évaluer finement l’offre et la demande, et de faire des prévisions très précises [6,7].

En effet, les réseaux électriques intelligents NGSG permettent de collecter les données de consommation qui nécessitent surveillance, analyse et interprétation continues. À leur tour, les exploitants des parcs éoliens et solaires collectent également des informations sur la quantité et le contenu énergétique des sources renouvelables exportées vers le réseau [8]; et ceci dans le but d’assurer que l’offre d’électricité répond à la demande. Dans ce contexte, l’utilisation d’un algorithme d’apprentissage automatique aura un impact décisif sur la production d’énergie et contribuera à l’optimisation de la consommation énergétique

La méthodologie requise pour achever le travail demandé :

1. Effectuer la littérature académique pour mieux appréhender le sujet.
2. Recueillir les données liées à la consommation énergétique.
3. Traiter et analyser les données recueillies. 4- Développer des algorithmes d’apprentissage automatique capables de proposer des solutions en lien avec les programmes DR tenant en compte des besoins utilisateurs et la capacité du réseau électrique

Observations :

• Le stagiaire doit être motivé pour travailler dans le domaine d’apprentissage automatique, être organisé et avoir de bonnes capacités de communication écrite et orale.
• L’objectif final est de rédiger un article qui sera soumis à une revue scientifique.

Informations pratiques :

• Ce stage sera rémunéré à hauteur de 1200 euros bruts par mois.
• Le stage durera 6 mois et devrait débuter en février 2024.

Références:

[1] ADEME. Rapport sur L’effacement de consommation électrique en France. Evaluation du potentiel d’effacement par modulation de process dans l’industrie et le tertiaire en France métropolitaine, 2017

[2] Alreshidi, E. (2019). « Smart Sustainable Agriculture (SSA) Solution Underpinned by Internet of Things (IoT) and Artificial Intelligence (AI) ». Ijacsa 10, 03106. doi:10.14569/IJACSA.2019.0100513

[3] Pinto et al., 2019 ; Pinto, T., Morais, H., and Corchado, J. M. (2019). « Adaptive Entropy-Based Learning with Dynamic Artificial Neural Network. Neurocomputing », 432–440. doi:10.1016/j.neucom.2018.09.092

[4] Ji et al., 2020 ; Ji, H., Alfarraj, O., and Tolba, A. (2020). « Artificial Intelligence-Empowered Edge of Vehicles: Architecture, Enabling Technologies, and Applications ». IEEE Access 8, 61020–61034. doi:10.1109/ACCESS.2020.2983609

[5] R.Naja, A.Soni, C. Carletti, “Optimal Energy Management for Electric Vehicles In V2G 6G-based Smart Grid Networks “, In Journal MDPI JSAN, To appear

[6] Ma et Zhai, 2019 ; Ma, Y.-J., and Zhai, M.-Y. (2019). « Day-Ahead Prediction of Microgrid Electricity Demand Using a Hybrid Artificial Intelligence Model. Processes » 7 (6), 320. doi:10.3390/pr7060320

[7] Ngarambe et al., 2020 ; Ngarambe, J., Yun, G. Y., and Santamouris, M. (2020). « The Use of Artificial Intelligence (AI) Methods in the Prediction of thermal comfort in Buildings: Energy Implications of AI-Based thermal comfort Controls. Energy and Buildings » 211, 109807. doi:10.1016/j.enbuild.2020.109807

[8] W. Strielkowski, M. Dvořák, P. Rovný, E. Tarkhanova, « 5G Wireless Networks in the Future Renewable Energy Systems. In Frontiers in Energy research » , vol. 9, 2021, DOI: 10.3389/fenrg.2021.714803

Personnes à contacter :

Rola NAJA – rnaja@ece.fr

Aakash SONI – aakash.soni@ece.fr