R&D Intern - Fairness In Deep Learning - Paris

Artefact · 9th arrondissement of Paris, 75009, Paris

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. Durant ce stage, le/la stagiaire explorera les méthodes de réduction des biais par rapport à une variable sensible continue pour des réseaux de neurones. Le travail commencera par l'implémentation des méthodes existantes (régularisations basées sur des mesures de dépendance telles que la corrélation maximale de Hirschfeld-Gebelein-Rényi ou “Generalized Disparate Impacte”, etc.), listées dans les références [7-8], et par la mise en place d'un protocole robuste pour les comparer, en tenant compte du compromis entre performance et fairness. Dans un second temps, le stage se concentrera sur la conception et l'expérimentation de nouvelles méthodes de réduction de biais adaptées aux variables continues. Pour cela, le/la stagiaire pourra s'appuyer sur des bibliothèques open source (PyTorch, scikit-learn), afin de rester dans un cadre de code reproductible et facile à adopter. Pré-requis Le profil recherché pour ce poste est le suivant : BAC+4/BAC+5 : Formation en mathématiques appliquées, statistiques ou machine learning au sein d’une université ou école d’ingénieur Stage de césure ou stage de fin d’études Date de début : Hiver 2026-2027 Durée : 4 à 6 mois Références Risser, L., Sanz, A. G., Vincenot, Q., & Loubes, J. M. (2022). Tackling algorithmic bias in neural-network classifiers using wasserstein-2 regularization. Journal of Mathematical Imaging and Vision , 64 (6), 672-689. Buolamwini, J., & Gebru, T. (2018, January). Gender shades: Intersectional accuracy disparities in commercial gender classification. In Conference on fairness, accountability and transparency</

---

// similar opportunities

You might also like

R&D Intern - Fairness In Deep Learning - Paris

Artefactjobs

9th arrondissement of Paris, 75009, Parisinternship

Arbeitnow

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 stag...

Posted 15 days ago

Apply now →

Accounting Intern - Paris

Artefactjobs

9th arrondissement of Paris, 75009, Parisinternship

Arbeitnow

Qui sommes-nous? Artefact est une nouvelle génération de cabinet de conseil spécialisée en Data dont plus de 2500 collaborateurs répartis sur 27 pays ont pour m...

Posted 5 days ago

Apply now →

Accounting Intern - Paris

Artefact

9th arrondissement of Paris, 75009, Parisinternship

Arbeitnow

Qui sommes-nous? Artefact est une nouvelle génération de cabinet de conseil spécialisée en Data dont plus de 2500 collaborateurs répartis sur 27 pays ont pour m...

Posted 5 days ago

Apply now →

Accounting Intern - Paris

Artefactlinkedin

9th arrondissement of Paris, 75009, Parisinternship

Arbeitnow

Qui sommes-nous? Artefact est une nouvelle génération de cabinet de conseil spécialisée en Data dont plus de 2500 collaborateurs répartis sur 27 pays ont pour m...

Posted 5 days ago

Apply now →

IA Engineer Intern (x/f/m) - Paris

Doctolib

Paris, Parisinternship

Arbeitnow

Join a team of passionate and committed people working to improve healthcare. At Doctolib, our tech teams build products and features that improve the daily liv...

Posted 10 days ago

Apply now →

Customer Success Intern – Mirakl Ads, Paris

Mirakl

Paris, Franceinternship

Arbeitnow

About Mirakl: Founded in 2012, Mirakl has been at the forefront of marketplace innovation, empowering every business to compete in the platform economy. Today, ...

Posted 21 days ago

Apply now →