Nouvelles stratégies d’explication de décisions d’ia pour les prévisions météorologiques (h/f)

Nous recrutons en thèse une personne très motivé pour travailler à l'intersection de l'intelligence artificielle explicable (XAI) et la prévision météorologique. Le candidat ou la candidate idéal aura une solide expérience théorique et pratique dans les réseaux neuronaux et une expérience en simulation numérique ou en télédétection.

## Projet :
Le candidat retenu travaillera sur la définition de nouvelles méthodes d'explicabilité dédiées aux architectures modernes de réseau neuronal profond pour la prévision météorologique. Les recherches viseront d'abord à comprendre comment ces architectures de réseaux de neurones transforment une information physiquement pertinente en espaces latents statistiquement riches, puis en prévisions météorologiques. Une telle analyse est en effet cruciale pour assurer la robustesse de ces méthodes, en particulier pour les événements rares, et pour détecter les stratégies de prédiction physiquement non pertinentes. Différentes techniques post-hoc basées sur l'analyse de la sensibilité de l'image seront d'abord adaptées à cette tâche. L'accent sera mis sur l'explication des décisions prises dans des conditions météorologiques extrêmes ou rares. L'utilisation de récentes stratégies d'explicabilité basées sur des concepts pour des tâches spécifiques sera ensuite développée. S'inspirer de méthodes hybrides IA/Physique pour expliquer les prévisions météorologiques est également une piste de recherche que nous avons l'intention d'explorer.


## Principales responsabilités :
1. Effectuer une revue complète de la littérature sur les prévisions météorologiques basées sur le DNN et sur l'IA explicable pour les réseaux neuronaux.
2. Adaptation et expérimentation des techniques XAI existantes pour les images sur les données météorologiques.
3. Développer des stratégies XAI basées sur des concepts qui peuvent expliquer l'impact des informations non locales et à plusieurs échelles dans les données d'entrée pour la prévision météorologique.
4. Trouver des représentations pertinentes des explications pour différents types d'utilisateurs (grand public, météorologues, décideurs)
5. Présenter les résultats de la recherche lors de conférences et préparer des manuscrits pour la publication dans des revues à comité de lecture.

## Qualifications :
- École d'ingénieur ou Master 2 en mathématiques appliquées, physique computationnelle ou science des données
- Solide formation théorique et pratique dans les réseaux neuronaux
- Expérience dans la gestion de grands jeux de données
- Maîtrise de Python et PyTorch
- Excellentes compétences en communication et en collaboration
- Niveau avancé en anglais parlé et écrit
- Une expérience en simulation numérique ou en sciences atmosphériques sera un réel avantage




Contexte de travail

Cette thèse sera réalisée à l'Institut de Mathématiques de Toulouse (IMT, UMR CNRS 5219), à l'Université de Toulouse et au Centre Européen de Recherche et de Formation Avancée en Calcul Scientifique (CERFACS), en collaboration avec le Centre national français de Recherche Météorologique (CNRM - UMR 3589), tous réunis dans une chaire de l'Institut d'Intelligence Artificielle et Naturelle Toulouse (ANITI). La personne recrutée sera en contact avec des chercheurs en IA de l'ANITI, de l'IMT et du CERFACS, ainsi qu'avec des chercheurs/ingénieurs en prévisions météorologiques du CNRM. Enfin, elle aura accès aux ressources informatiques et aux ensembles de données internes de ces institutions pour développer des solutions d'explicabilité originales et percutantes dans le domaine dynamique des prévisions météorologiques basées sur les DNN. Les méthodes XAI seront idéalement développées en tant qu’extensions du paquet Anemoi du Centre européen des prévisions météorologiques à moyen terme.