Stage-Machine Learning planification des ressources d'un service cloud

Vous rejoindrez l'équipe ADIS (AI & Data Innovation Services) au sein du département AI Factory, le pôle d'expertise et d'innovation en Intelligence Artificielle d'Orange, situé au coeur de l'écosystème de recherche et d'innovation d'Orange Gardens.

Notre mission est d'explorer les technologies de pointe, de développer des preuves de concept à forte valeur ajoutée et de construire les briques logicielles qui seront déployées dans les différentes entités du Groupe.

En nous rejoignant, vous intégrerez une équipe dynamique et passionnée, où vous collaborerez avec des experts en data, software, cloud et architecture. Vous évoluerez dans un environnement qui encourage la prise d'initiative, la montée en compétences et la contribution à des projets stratégiques, tout en bénéficiant de l'envergure d'un leader mondial des télécommunications.

Nous nous intéresserons au " capacity planning " d'un service cloud, qui consiste à anticiper, les ressources nécessaires à son bon fonctionnement. L'activation des ressources n'étant pas instantanée, une décision trop tardive peut dégrader la qualité de service ; à l'inverse, une réservation excessive augmente les dépenses. S'ajoutent les bénéfices d'une réservation anticipée et les coûts liés aux modifications successives d'un plan de capacités. Le problème sera donc abordé dans une perspective " cost-sensitive " : prendre des décisions qui minimisent l'ensemble des coûts opérationnels, et non les seules erreurs de prévision.
Dans le prolongement de nos travaux sur la classification précoce de séries temporelles, nous étudierons une architecture de prise de décision séquentielle inspirée des modèles à espace d'états. Les décisions s'appuieront sur une représentation évolutive du système, tenant compte : des observations disponibles de charge, de l'incertitude sur la charge future et des engagements déjà pris pour la réservation de capacités futures. À mesure que de nouvelles informations arrivent, le plan de capacités pourra être conservé ou révisé. L'apprentissage par renforcement fera notamment partie de l'architecture cible, et sera exploré pour tenir compte des conséquences à long terme des décisions.
Le stage débutera par un état de l'art sur l'autoscaling prédictif, la prévision probabiliste et la décision séquentielle. Il se poursuivra par le développement d'un simulateur à la fois de données et de modèles synthétiques de prévision probabiliste. L'architecture cible sera ensuite prototypée, permettant la mise au point de différentes stratégies de décision séquentielle et d'apprentissage en ligne. Notamment, la comparaison entre une stratégie myope, minimisant le coût attendu à " t+1 ", et une politique apprise par renforcement dans le but de minimiser les coûts à long terme fera partie des expérimentations. Enfin, des études d'ablation permettront d'évaluer : l'apport des informations utilisées en entrée de la politique de décision ; l'intérêt de la non-myopie lorsque les coûts de révision sont importants ; la robustesse de l'approche face à une variété d'hypothèses sur les délais d'activation.
Vous serez accueilli au sein d'une équipe composée de chercheurs en Machine Learning et de Data Scientists dans une direction d'innovation.
Ce stage est conçu comme une première étape vers une thèse CIFRE, sous réserve des validations nécessaires.


BAC + 5, Master informatique et/ou statistiques ou école d'ingénieur. Fort intérêt pour la recherche et volonté affirmée de poursuivre en thèse CIFRE.
Compétences : maîtrise de Python et de Scikit-learn, bonnes bases en probabilités, statistiques et apprentissage statistique. Une première expérience en séries temporelles ou en apprentissage par renforcement serait appréciée