Stage – Proposition et implémentation des techniques d’apprentissage frugal pour réduire l’impact sur l’environnement

Contexte du stage

Au sein de l’Institut de Recherche Technologique SystemX, situé au cœur du campus scientifique d’excellence mondiale de Paris-Saclay, vous prendrez une part active au développement d’un centre de recherche technologique de niveau international dans le domaine de l’ingénierie numérique des systèmes. Adossé aux meilleurs organismes de recherche français du domaine et constitué par des équipes mixtes d’industriels et d’académiques, ce centre a pour mission de générer de nouvelles connaissances et solutions technologiques en s’appuyant sur les percées de l’ingénierie numérique et de diffuser ses compétences dans tous les secteurs économiques. Vous serez encadré par un ingénieur-chercheur SystemX du domaine Data IA. Vous travaillerez au sein du projet SystemX Impact Environnemental du Numérique (IEN) dont les partenaires industriels sont Airbus Protect, Teclib’, TotalEnergies, le partenaire institutionnel est Afnic et les partenaires académiques sont CentraleSupélec, le LISN et Sorbonne Université.

Présentation du sujet

Contexte

L’empreinte carbone du numérique croît à mesure que s’opère la transition numérique de nos économies et de nos sociétés. Savoir monitorer son bilan carbone devient un dû et une obligation, qui s’inscrit dans les directives de l’union européenne qui visent la neutralité carbone dès 2050. Dans ce cadre, le projet IEN (Impact Environnemental du Numérique) vise à développer une méthodologie de référence pour mesurer le coût environnemental des services numériques. Le stagiaire aura pour mission de consolider certaines activités du projet IEN [1].

Objectifs du stage 

L’objectif principal du stage est d’étudier et expérimenter différentes approches d’apprentissage automatique dites frugales (ou efficient Learning), afin d’évaluer leur capacité à réduire la consommation énergétique et les ressources nécessaires à l’entraînement des modèles. Ainsi il s’agira d’identifier les techniques les plus efficaces pour diminuer le temps d’apprentissage et, par conséquent, l’impact environnemental global des modèles de machine Learning, tout en maintenant de bonnes performances prédictives.  

Missions 

• Réaliser une étude bibliographique sur les techniques d’apprentissage frugal (Green AI) et leur impact environnemental (consommation énergétique, émissions CO₂, etc.) [2,3].
• Identifier et analyser les techniques les plus prometteuses pour réduire l’empreinte environnementale(au niveau de l’architecture du modèle, au niveau de l’optimisation des modèles, au niveau des données et de l’entrainement, au niveau de l’inférence, etc.) [4].
• Définir plusieurs métriques (Key Performance Indicators, KPIs) et protocoles d’évaluation pertinents pour mesurer un apprentissage efficace des modèles d’IA.
• Implémenter et adapter ces techniques d’apprentissage efficace sur des cas d’usage concrets.
• Documenter les travaux réalisés et rédiger un rapport de stage.

Références bibliographiques 

[1] Maxim, Cristian, et al. White paper: state of the art of the environmental impact of digital technologies. Diss. IRT SystemX, 2025.

[2] Poenaru-Olaru, Lorena, et al. « Sustainable Machine Learning Retraining: Optimizing Energy Efficiency Without Compromising Accuracy. » arXiv preprint arXiv:2506.13838 (2025).

[3] Arabzadeh, Ardalan, Tobias Vente, and Joeran Beel. « Green recommender systems: Optimizing dataset size for energy-efficient algorithm performance. » International Workshop on Recommender Systems for Sustainability and Social Good. Cham: Springer Nature Switzerland, 2024.

[4] Almog, Tom. « An Analysis of Optimizer Choice on Energy Efficiency and Performance in Neural Network Training. » arXiv preprint arXiv:2509.13516 (2025).

Profil et compétences

De formation : En formation école d’ingénieur en dernière année (BAC+5) dans le domaine de l’IA et l’informatique

Compétences souhaitées 

• Machine Learning, IA
• Ingénierie système (Docker, Kubernetes)
• Optimisation
• Développement backend : Python
• Outils Git

Aptitudes personnelles :

• Curiosité
• Capacité à travailler en équipe
• Capacité d’analyse
• Rigueur

 Merci de joindre CV, lettre de motivation, relevé de notes et autres documents utiles comme une lettre de recommandations.