Orchestration de services IA concurrents sur dispositifs industriels en périphérie (edge) à ressources contraintes

L'Industrie 4.0 s'appuie de plus en plus sur des dispositifs IA en périphérie (Jetson, MCU/NPU) pour exécuter des services locaux tels que la maintenance prédictive, l'inspection qualité, la détection d'anomalies et l'optimisation énergétique. Pourtant, ces dispositifs restent largement sous-utilisés (moins de 20-30 % d'utilisation CPU/NPU en fonctionnement normal), alors que de nouveaux matériels continuent d'être acquis pour héberger des services additionnels. Cette situation est difficilement soutenable, tant sur le plan économique qu'environnemental, compte tenu de la demande croissante en matériaux critiques utilisés dans les semi-conducteurs. Par ailleurs, la convergence OT/IT, portée par les réseaux 5G/6G et les architectures SDN, expose ces dispositifs industriels à de nouvelles menaces de cybersécurité, nécessitant l'intégration de systèmes de détection d'intrusion (IDS) — notamment via l'apprentissage fédéré, qui permet un entraînement collaboratif sans partage des données brutes. Cette thèse vise à concevoir des méthodes d'orchestration permettant à plusieurs applications IA — industrielles et de cybersécurité — de s'exécuter simultanément sur un même dispositif contraint, en optimisant conjointement précision, énergie, latence et coûts de communication. Les travaux combineront apprentissage fédéré, split learning et techniques TinyML (élagage, quantification, distillation) pour gérer l'hétérogénéité des dispositifs et des données. La thèse formalisera le problème d'orchestration comme un problème d'optimisation multi-objectif, proposera des politiques d'ordonnancement et de sélection des clients pour les rounds d'apprentissage fédéré, et étudiera des protocoles hiérarchiques adaptés aux architectures IoT-Edge-Cloud. Une attention particulière sera portée à la robustesse face aux attaques sur l'apprentissage fédéré (empoisonnement, fuite de confidentialité) et à l'équité de l'agrégation entre clients hétérogènes. Un prototype de banc d'essai sera développé pour évaluer les approches proposées sur des jeux de données industriels réels, en combinant métriques de recherche (précision, taille de modèle, volume de communication) et indicateurs industriels (consommation énergétique, taux d'utilisation des dispositifs, taux de détection/fausses alarmes pour l'IDS). Cette thèse sera menée conjointement entre Mines Saint-Étienne/DIWII (Lyon) et Telecom SudParis (Évry). Des collaborations sont attendues avec des partenaires industriels (Orange, Siemens, NVIDIA) et avec Inria Saclay, ainsi qu'avec un autre doctorant de DIWII travaillant sur le ML, l'IDS et la qualité des données. École doctorale : Ecole Doctorale de l'Institut Polytechnique de Paris Direction : ROSARIO PATANE Financement : Partenariat d'entreprises ou d'associations