Description
Date depot: 1 octobre 2020
Titre: Utilisation du Machine Learning pour une science soutenable au Sud dans un contexte de manque de données fiables
Directeur de thèse:
Christophe DENIS (UMMISCO)
Directeur de thèse:
Jean-Daniel ZUCKER (UMMISCO)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini
Resumé:
Les effets du changement climatique sont de plus visibles entrainant des efforts scientifiques soutenus pour évaluer les effets et les risques de ce changement ainsi que les moyens potentiels pour le contrer. Ce constant a motivé l’adoption par l’ONU des objectifs de développement durable (ODD) pur coordonner les actions en vue de les réaliser. Ces 17 ODD constituent un défi majeur, nécessitant pour les relever la coopération de tous les acteurs de la société (scientifiques, entreprises, gouvernements, citoyens).
La science soutenable s’intéresse aux applications de la science dans le domaine du développement durable. Elle explore les moyens d’appliquer aujourd’hui aux ODD les nouvelles méthodes de collecte et de traitement de données, afin de mieux compendre les problématiques qui y sont liées pour favoriser une société soutenable. Ces méthodes emploient de plus en plus de méthodes d’apprentissage machine (machine learning ou deep learning). Cependant, il existe assez peu de données publiques fiables dans les pays du Sud et l’acquisition de données est aussi victime des inégalités Nord-Sud.
Dans ce travail de thèse, nous étudierons les modalités pratiques d’une science soutenable dans les pays du Sud à travers deux axes principaux : i) étude et développement de nouvelles méthodes d’acquisition de données adaptées au conditions des pays du Sud ii), l’application de méthodes compatibles avec des données peu nombreuses ou de faible qualités.
Doctorant.e: Bayet Théophile