Tiny ML for nature
Rendre le Machine learning plus accessible et facilement déployable.

Missions

  • Mettre en production une application basée sur un algorithme de machine learning déployée sur un hardware de type single-board computer pour fournir des résultats pertinents à moindre consommation de ressources avec in fine une utilisation par des chercheurs en science de l'environnement.

Conditions

Type de stage : Stage de fin d'études
Lieu : Paris
Rémunération : 1500 € bruts
Date : 2021

Profil

  • Vous avez déjà une connaissance des algorithmes de Machine Learning et vous souhaitez monter en compétence sur leur application sur un single-board computer (Raspberry Pi par exemple).
  • Vous êtes à l’aise en Python, en système Unix, et TensorFlow vous dit quelque chose.
  • Vous êtes curieux(se) et motivé(e) et vous avez envie d’explorer des problèmes à l’état de l’art, poser des hypothèses variées, les trier et investiguer les plus pertinentes.
  • Vous avez une appétence pour l’interaction avec les utilisateurs de votre produit

Contexte

Développer une solution de monitoring de présence/absence d'espèces animal à un moment et en un lieu donné à partir d'images via un système full remote. L’utilisation de l’approche tiny ML permet de contrôler le coût et de capitaliser sur les efforts d’une communauté très active.

Objectifs du stage

Étape 1 : Cadrage

Au cours de cette étape, vous serez amené(e) à:

Identifier l’objectif du produit final et définir le périmètre de l’application avec un utilisateur (encadrants et/ou chercheur en sciences environnementales).

Identifier le hardware à utiliser (single-board computer, caméra, etc), l’infrastructure et l'architecture du produit.

Étape 2 : Mise en place de l’architecture avec un modèle factice

Vous commencerez par mettre en place l’architecture que vous aurez identifié en utilisant un modèle factice (sans machine learning) pour dérisquer le pipeline de l’application (acquisition de photo, inférence, etc). Ensuite vous déploierez un 1er un modèle factice de machine learning.

Étape 3 : Amélioration du produit

Vous améliorerez les performances du modèle que vous aurez déployé en utilisant le transfert d’apprentissage. Enfin, vous testerez les fonctionnalités du produit final (capture de données en milieu naturel) avec l’utilisateur final.

Étape 4 : Bilan

Vous partagerez la démarche et les résultats de votre travail au sein de la communauté ( journée R&D, article de blog).

Encadrement

Pour cette aventure, vous serez accompagné(e) par 2 consultants, Yoan Eynaud, Data Scientist et ancien chercheur, et Alaa Bakhti, Machine Learning Engineer. Ils seront là pour écouter vos idées, vous challenger dans vos choix, vous proposer des approches alternatives et vous guider sur le métier de consultant(e).