Grand établissement public d'enseignement supérieur, pôle de recherche reconnu, élément fondateur de l'écosystème grenoblois : Grenoble INP, l'institut d'ingénierie et de management de l’Université Grenoble Alpes (UGA), occupe une place de premier plan dans la communauté scientifique et industrielle.
Grenoble INP - UGA est membre de réseaux internationaux de formation et recherche en ingénierie et management.
Il est reconnu dans les classements nationaux et internationaux.
Le LIG (Laboratoire d'Informatique de Grenoble) associe conjointement Grenoble INP - UGA, l'Université Grenoble-Alpes, et le CNRS.
Il est également partenaire de l'INRIA.
Son ambition est de s’appuyer sur la complémentarité et la qualité reconnue des 22 équipes de recherche du LIG pour contribuer au développement des aspects fondamentaux de l'informatique (modèles, langages, méthodes, algorithmes) et pour développer une synergie entre les défis conceptuels, technologiques et sociétaux associés à cette discipline.
Le LIG rassemble près de 450 chercheurs.ses, enseignant.es-chercheurs.ses, doctorant.es et personnels en support à la recherche.
Ils relèvent différents organismes qui sont répartis sur trois sites du LIG : le campus, Minatec et Montbonnot.
Site internet : https://www.liglab.fr/
Are you interested in this job offer? Please click on the link blow to discover our position in English!
https://euraxess.ec.europa.eu/jobs/450999
Rappel du contexte:
Les bases de données géographiques telles qu’OpenStreetMap (OSM) et la BD Topo de l’IGN évoluent continuellement pour représenter les transformations du territoire. Identifier, décrire et qualifier les changements que ces bases de données géographiques subissent au cours du temps est un enjeu majeur pour l’analyse des évolutions des territoires dans le temps.
Cette thèse s’inscrit dans le cadre du projet ANR GEvoK (Geographic entities Evolution in Knowledge graphs) qui vise à la détection et annotation sémantique automatique des changements géographiques dans des données de sources diverses (satellitaires ou collaboratives comme celles d’Open Street Map par exemple).
L’approche consiste à combiner des techniques d’intelligence artificielle (IA) pour la détection automatique des changements au cours du temps, des technologies du Web sémantique pour la représentation et l’enrichissement des connaissances issues de cette détection et enfin des LLM pour l’interrogation des bases de connaissances produites et la restitution de récits décrivant les changements en langue naturelle.
Activités principales :
Étudier les structures de données d’OSM et de la BD Topo (modèles, granularité, sémantique, attributs). Utiliser QGIS et Python pour l’exploration et le prétraitement des données
Concevoir une approche de détection automatique de changements à l’aide de techniques d’IA (classification, clustering, ou apprentissage supervisé/non supervisé selon les données disponibles) ; Exploiter des outils d’analyse spatiale et de machine learning géographique (par ex. scikit-learn, PyTorch/TF + GeoPandas/Shapely)
Mettre en œuvre un modèle sémantique (ontologie) pour décrire et annoter les changements détectés à l’aide du Web sémantique (RDF, OWL, SPARQL)
Intégrer les résultats dans un graphe de connaissances géographiques (Knowledge Graph - KG en anglais)
Enrichir le KG en intégrant des éléments contextuels issus du Web ou de LLM pour mieux expliquer et valider les changements détectés (causes, pressions, dates, contexte géopolitique, etc.)
Publier et diffuser le KG auprès d’un large public (experts, chercheurs, citoyens) via des outils d’interrogation en langue naturelle basés sur des LLM (évitant l’usage de SPARQL) et des métriques pour analyser les changements
Niveau minimum requis Bac +5: Master / Diplôme d'ingénieur ou équivalent en Informatique, Géomatique, Data Science ou Intelligence Artificielle
Compétences requises:
· langage Python et apprentissage automatique (classification, détection d’anomalies, clustering)
· web sémantique et représentation des connaissances (RDF, OWL, SPARQL)
· traitement de données géographiques: connaissances de QGIS et des formats de données spatiales (GeoJSON, shapefile, etc.)
· autonomie, rigueur et capacité d’analyse
· appétence pour les approches hybrides IA et / ou la géomatique
· Bon niveau de français et d'anglais requis aussi bien à l'oral qu'à l'écrit : Intermédiaire supérieur (B2)