R&D Intern - Fairness in Deep Learning - Paris

About this role

Contexte :

Offre de stage de recherche de master d’une durée de 4 à 6 mois, débutant en hiver 2026-2027. Ce document liste les possibles directions pour le stage, qui seront ajustées au fil du stage. Le stage aura lieu au sein du centre de recherche d’Artefact à Paris.

L’objectif est d'étudier les réseaux de neurones dans un cadre où l’on souhaite garantir l'indépendance des prédictions vis-à-vis d'une variable sensible continue (telle que l'âge, le revenu, la couleur de peau, etc.).

Présentation d’Artefact :

Artefact est une société internationale de services autour de la data, spécialisée dans le conseil en transformation data, dont la mission est de transformer la donnée  en délivrant des résultats tangibles sur l’ensemble de la chaîne de valeur des entreprises. L’approche unique d’Artefact, qui fait le pont entre la donnée et le business, permet à nos clients d’atteindre leurs objectifs business de façon dédiée et efficace. Nos 2500 employés allient leurs compétences pluridisciplinaires au profit  de l’innovation business des entreprises. Nos technologies de pointe en Intelligence Artificielle, nos méthodes agiles garantissent le succès des projets IA de nos clients, de la conception au déploiement, jusqu’à la formation et l’accompagnement au changement.

Sujet :

Les réseaux de neurones sont aujourd'hui au cœur de nombreuses applications industrielles. Leur capacité à extraire des représentations riches à partir des données en fait des outils de choix, mais elle les rend aussi susceptibles d'encoder et d'amplifier des biais présents dans les données d'apprentissage, renforçant ainsi des discriminations chez les populations traitées par ces modèles [1]. Cet enjeu est un domaine de recherche dénommé fairness, et est particulièrement dynamique, avec la réglementation des modèles d’IA qui évolue, comme par exemple avec l’AI Act de l’Union Européenne.

Pour mesurer et mitiger les biais discriminatoires dans les modèles, la littérature s'est majoritairement concentrée sur des variables sensibles binaires ou catégorielles (genre, origine ethnique, etc.), pour lesquelles les groupes sont bien définis [2-5]. Cependant de nombreuses variables sensibles sont intrinsèquement continues : l'âge, le revenu, ou encore la couleur de peau. Discrétiser ces variables en groupes est une pratique courante mais problématique : le choix des seuils est arbitraire, de l'information est perdue, et un modèle peut sembler équitable pour un découpage donné tout en restant fortement biaisé pour un autre [6]. Contrôler la dépendance entre les sorties d'un modèle et une variable continue reste un problème ouvert, notamment pour les réseaux de neurones, où il faut à la fois mesurer cette dépendance et la pénaliser de façon différentiable au cours de l'apprentissage.