Présentation du contexte de travail
Le candidat sera accueilli dans l'axe "Synchronisation de modèles" de l'équipe de recherche ÉRIS de l'ESEO, qui s'intéresse, notamment, aux interactions et aux bénéfices de l'utilisation des méthodes d'apprentissage automatique dans la définition, le support et la validation de transformations de modèles.

Ce stage vise à concevoir un système d’aide à la décision basé sur les réseaux de neurones. À partir d’un corpus de transformations de modèles fourni, le réseau de neurones exécute les transformations fournies et caractérise les règles de transformation utilisées. Plus précisément, il s’agit, pendant la phase d’apprentissage, d’analyser les propriétés des modèles sources et cibles et de déterminer la relation de transformation utilisée. La relation de transformation identifiée permettra de caractériser l’impact d’un changement de propriété dans le modèle source sur les propriétés du modèle cible.
La séquence d’apprentissage réalisée devrait permettre au système d'inférer automatiquement tout ou partie des règles de transformation entre les modèles sources et cibles et ainsi d’assister les experts dans l’écriture de transformations de modèles.

Missions du stage

La mission proposée porte sur les étapes de conception et de réalisation d’un prototype s’appuyant sur l’IDM (en particulier la transformation de modèles) et l’apprentissage profond.
Les principaux attendus du stage sont :

  • État de l’art des recherches académiques actuelles et des outils associés qui utilisent les méthodes d’apprentissage dans le cadre de l’IDM, notamment sur l’inférence de règle de transformations à partir d’exemples (Model Transformation By Example ou MTBE).
  • Réalisation de démonstrateurs exécutables pour démontrer la faisabilité (reproduire les transformations puis inférer les règles)
  • Écriture d’un article scientifique en vue d’une publication, en fonction de l’avancement.

Technologies et outils utilisés 
Le démonstrateur devra s’appuyer sur les outils utilisés dans le domaine de l’IDM tel que :

  • Formalisations UML et Ecore pour la production de modèles
  • Eclipse EMF (plateforme technique)
  • ATL Transformation Language comme langage support des transformations de modèles.
  • TensorFlow pour l’apprentissage profond.

Mots-clés
Apprentissage profond; EMF; Ingénierie dirigée par les modèles; Transformations de modèles
Établissement
Groupe ESEO
49107 Angers  
Site Web
https://eseo.fr/recherche/les-groupes-de-recherche/eris/
Date de début souhaitée
01/04/2019
Langues obligatoires
Anglais
Niveau
Bac +4; Bac +5
Prérequis

Expériences dans le domaine de la modélisation et des DSL (Domain-Specific Languages)
Intérêt et expérience dans le développement d'applications et/ou prototypes avec les technologies proposées

Durée
4 mois
Informations de contact

Mickael Clavreul
mickael[dot]clavreul[@]eseo[dot]fr
Tél : 02 41 86 67 67