Thèse sur le développment d'un système de gestion et de réutilisation de pipelines analytiques guidé pa

Sujet de thèse :
L'exploration de données est le processus d'interrogation progressive d'un ensemble de données. L'approche la plus courante consiste à générer des pipelines d'opérateurs dont le but est de transformer les données pour accomplir une tâche. Ces opérateurs incluent des actions d'exploration et de synthèse, ainsi que des appels aux modèles pré-entraînés tels que les modèles de langue et l’apprentissage par renforcement. Il existe de nombreuses méthodes d'apprentissage par renforcement dont le but est de générer une politique d'exploration produisant un pipeline [1, 2, 3]. Par exemple, dans le cas de l'éducation, un pipeline servirait un objectif d'apprentissage spécifique, c'est-à-dire une tâche, comme la réduction des écarts d'apprentissage [4]. L’entraînement des modèles est coûteux tant sur le plan temporel que monétaire. De plus, les modèles, et plus généralement, les pipelines qui les utilisent, ont un impact non négligeable sur l’environnement.

L’objectif de cette thèse est de développer un système et des algorithmes de gestion de pipelines analytiques qui favorisent la réutilisation de pipelines pour de futures tâches d’exploration de données. Ce travail se distingue par son focus sur la caractérisation de ces pipelines par des méta-donnés reflétant les résultats de leur évaluation Data/System/Human. Pour ce faire, les contributions scientifiques seront : (1) le design d’opérateurs expressifs pour représenter les pipelines analytiques [ADD REF DocETL] (2) le design d’un backend de stockage et d’extraction des pipelines (3) la formalisation et la résolution de problèmes d’optimisation multi-objective (impliquant les dimensions Data/System/Human) pour la recherche et la réutilisation de pipelines permettant d’exécuter une tâche (4) la validation empirique de ce travail pour une variété de tâches d'exploration de données.

Etat de l’art : Le travail de recherche de cette thèse est lié à deux axes de recherche actuels : (1) la réutilisabilité de modèles ML, et (2) les systèmes déclaratifs de définition et d’exécution de pipelines. Concernant (1), les travaux concernent la réutilisabilité des modèles ML lors de l’entraînement, comme les systèmes AutoML/VirnyFlow, ou lors de l’inférence. Concernant (2), il s’agit des systèmes tels que PALIMPZEST et LOTUS qui proposent un langage déclaratif pour faciliter la spécification de pipelines et une approche pour optimiser leur exécution. Cette thèse se place dans le cadre de la réutilisabilité lors de l’inférence dont elle se distingue en ajoutant une couche d’optimisation afin de choisir parmi les pipelines à réutiliser.

Tâches :
Etat de l’art sur (1) la réutilisabilité dans l'inférence des politiques en apprentissage par renforcement, (2) les systèmes AutoML/VirnyFlow dédiés à l’entraînement de modèles ML, et (3) systèmes déclaratifs de définition et d’exécution de pipelines tels que PALIMPZEST et LOTUS

Design de tâches d’exploratio
Voir plus sur le site emploi.cnrs.fr...