Post doc - base de connaissances distribuées pour les communications sémantiques f/h

Votre rôle

Votre rôleest d’effectuer un travail de Post doc sur: «Bases de connaissances distribuées pour les communications sémantiques».

Ce post-doctorat s'inscrit dans le cadre du projet collaboratif SNS 6GARROW, qui vise à développer l'architecture IA-native 6G, à optimiser les réseaux via des agents IA, et à explorer les communications sémantiques (https://6garrow.com).

Contexte : Les grands modèles de langage (LLMs) connaissent une évolution rapide et continue, intégrant désormais des capacités multimodales, de raisonnement et d'action. Cette évolution permet l'émergence de nouveaux services d'agents IA, déployés comme assistants personnels ou professionnels. Ces agents devront collaborer de manière autonome pour traiter les requêtes des utilisateurs, transformant progressivement ces services en interactions machine à machine.

Problématique : Pour pouvoir communiquer, les agents IA doivent pouvoir définir précisément les données à transmettre et interpréter correctement celles reçues, ces deux aspects étant conditionnés par le contexte de communication. Ce contexte se matérialise par des bases de connaissances distribuées et non synchronisées entre émetteur et récepteur. À l'émission, la base de données permet d'adapter la requête selon le contexte (historique des échanges, estimation des connaissances du récepteur). En réception, la requête est enrichie par les informations locales au récepteur, afin de pouvoir mieux y répondre. Cette approche permet d'optimiser les requêtes en les rendant plus concises et/ou mieux adaptées au contexte [1] [2].

Objectifs de recherche :

Développer une méthodologie d'évaluation innovante pour mesurer l'impact des bases de connaissances distribuées non synchronisées sur des tâches de Q&A, en s'appuyant sur le Retrieval Augmented Generation (RAG) et la compression de contexte [3].
Concevoir des modèles intégrant ces bases de connaissances dans un schéma de communication sémantique pour :
Optimiser la compression des données transmises
Améliorer les performances des tâches
Opérer efficacement à la fois en émission et en réception

[1] R. Zhang, et al., "Toward Agentic AI: Generative Information Retrieval Inspired Intelligent Communications and Networking," arXiv preprint arXiv:2502.16866, 2025.

[2] S. Tang, et al., "Retrieval-augmented Generation for GenAI-enabled Semantic Communications," arXiv preprint arXiv:2412.19494, 2024.

[3] X. Cheng, et al., "xRAG: Extreme Context Compression for Retrieval-augmented Generation with One Token," arXiv preprint arXiv:2405.13792, 2024.