INRAE propose un CDD niveau Ingénieur d'Étude pour une durée de 12 mois renouvelable. L'activité du poste consistera à mettre en place un workflow de traitement automatique de la langue et d'extraction d'information appliqué au domaine agro-écologique. Objectif du poste L'objectif de ce poste est d'utiliser des techniques de text-mining pour construire et enrichir des jeux de données FAIR. Ces jeux de données seront constitués en partie de référentiels existants. Une première étape du projet consiste à améliorer la couverture terminologique des référentiels agricoles existants en les enrichissant grâce à l'extraction de termes spécifiques à partir du corpus des Bulletins de Santé du Végétal (BSV). Cette étape est complétée en parallèle par une autre chaîne de traitements de text mining pour annoter les bulletins à l'aide de référentiels. Plus précisément : 1. Perfectionnement d'une chaîne de traitements de text mining en français basée sur le système AlvisNLP [Alvis] (https://bibliome.github.io/alvisnlp/) pour générer des annotations. L'annotation consiste en de la reconnaissance et normalisation d'entités nommées du domaine général (dates, lieux) ou spécifiques au domaine (stades de développement, bioagresseurs, plante cultivée) [Yacoubi Ayadi et al, 2022]. 2. Perfectionnement de l'enrichissement semi-automatique des ressources sémantiques basée sur le text-mining, notamment pour les stades de développement, et les bioagresseurs [Chepaikina et al 2022]. Les évolutions devront être validées par un réseau d'experts par type de culture (légume: tomate, salade, carotte). 3. Animer l'annotation manuelle par un réseau d'experts d'un corpus de référence pour l'évaluation et l'entraînement du système d'annotation. Concevoir un guide d'annotation, assurer la qualité des annotations, et superviser les annotateurs. 4. Expérimentation sur le corpus de tests et validation des résultats. 5. Mise en forme des résultats de l'expérimentation dans un format compatible avec l'ontologie Web Annotation Vocabulary [OA]. Profil du candidat - Titulaire d'un diplôme d'ingénieur ou de Master 2 en mathématique, informatique ou bioinformatique, data science, terminologie, traitement de la langue, ingénierie des connaissances. - Excellente compétence en traitement de la langue (TAL) et dans l'utilisation de plateforme NLP. - Bonnes compétences en anglais à l'oral et à l'écriture. Une bonne connaissance du français est nécessaire car l'ensemble des documents à traiter sont en français. - Excellentes compétences en rédaction scientifique, car il sera nécessaire de produire des articles scientifiques, des rapports, de la documentation technique et des compte rendu de réunion. - Excellente compétence en gestion de projet et planification, car il sera nécessaire de faire des points réguliers avec différentes équipes du projet D2KAB. Des compétences sur les systèmes de versionning comme GIT sont nécessaires. - Autonomie et initiative, être capable de proposer de nouvelles techniques au sein du projet et de justifier ses choix. - Personne dynamique pour rejoindre un projet de recherche. Contexte du poste Ce poste est financé par le projet de recherche ANR D2KAB : Les ressources sémantiques (e.g., thesaurus, terminologies, vocabulaires et ontologies) sont des éléments clés pour assurer l'interopérabilité des données. Les thésaurus et les terminologies jouent parfois le rôle de pivots qui permettent de joindre plusieurs jeux de données. Ces pivots sont aussi appelés des référentiels. Dans certains domaines de recherche en agriculture, les scientifiques développent déjà des référentiels pour faciliter l'intégration de leurs données avec d'autres et pour permettre l'extraction de connaissances, par exemple les thésaurus Plant Ontology ou FrenchCropUsage. Cependant, bien souvent les utilisateurs de ces référentiels ne sont pas uniquement des scientifiques, qui ont l'opportunité de s'intéresser au monde du web sémantique, mais des acteurs du monde agricole, qui produisent ou utilisent des référentiels simples et souvent spécifiques à une filière. Par exemple, le référentiel des stades phénologiques de la vigne, la liste des variétés en vigne produites par l'Institut Français de la Vigne et du Vin (IFV), ou le référentiel de produits phytosanitaires produit par l'ACTA. Récemment, une première étape a été franchie avec la mise à disposition de certains de ces référentiels sur la plateforme de partage de données agricoles, API-AGRO (https://plateforme.api-agro.fr). Mais pour aller plus loin dans le partage et la réutilisation de ces référentiels, il est nécessaire d'adopter les principes FAIR (Findable, Accessible, Interoperable and Reusable). Ces principes impliquent l'utilisation des technologies Web Sémantique (RDF, OWL, SPARQL) pour publier des jeux de données et des référentiels sur le web: Linked Open Data (LOD). Le projet ANR D2KAB (www.d2kab.org), démarré en 2019, regroupe un consortium multidisciplinaire unique de 7 organisations dont 4 dans DigitAg (UM, INRA, IRSTEA, ACTA + et un partenariat avec API-AGRO) dont l'objectif principal est de mettre en place les processus permettant de transformer les données d'agricole en connaissances - sémantiquement riches, interopérables, ouvertes - ainsi que les méthodes scientifiques et les outils pour exploiter et diffuser ces connaissances dans des applications scientifiques et agricoles. Pour ce faire D2KAB développe et maintient AgroPortal (http://agroportal.lirmm.fr), un portail de ressources sémantiques pour l'agronomie et l'agriculture. Le projet est guidé par plusieurs scénarios dont un navigateur de recherche améliorée des bulletins d'alerte agricole intitulés Bulletin de Santé du Végétal [BSV] [Roussey et al 2017]. L'ANR D2KAB propose plusieurs offres de CDD ingénieur pendant la durée de ce projet. Structure d'accueil Le poste est financé par l'équipe Copain du laboratoire TSCF du Centre INRAE de ARA Clermont. Dans le projet de recherche D2KAB, cette équipe travaille en collaboration avec l'équipe Bibliome du laboratoire MaIAGE dans le centre INRAE de Jouy-en-Josas et l'équipe informatique du laboratoire MISTEA du centre INRAE de Montpellier. La localisation définitive sera à déterminer en fonction de la candidature. Des déplacements occasionnels sont à prévoir entre les centres de Jouy-en-Josas, de Clermont-Ferrand et de Montpellier. L'unité de recherche Technologies et systèmes d'information pour les agrosystèmes (TSCF), composée de 3 équipes qui rassemblent 60 agents, est implantée sur 2 sites : le Pôle scientifique et universitaire des Cézeaux à Aubière (63) et le Site de recherche et d'expérimentation de Montoldre (03) . https://www6.ara.inrae.fr/tscf/ L'activité de l'équipe Copain est consacrée aux méthodes d'ingénierie des systèmes d'information communicants dédiées à la gestion agri-environnementale. Les chercheurs de Copain sont spécialisés en informatique et dans les systèmes d'information, avec une solide expérience de projets interdisciplinaires. L'activité de cette équipe est dédiée aux méthodes d'ingénierie de systèmes d'information pour la gestion agro-environnementale. Ces méthodes couvrent les besoins des acteurs, la définition des caractéristiques des systèmes d'information, leur modélisation, leur gestion. L'unité de recherche MaIAGE regroupe des mathématiciens, des informaticiens, des bioinformaticiens et des biologistes autour de questions de biologie et agro-écologie, allant de l'échelle moléculaire à l'échelle du paysage en passant par l'étude de l'individu, de populations ou d'écosystèmes. L'unité développe des méthodes mathématiques et informatiques originales de portée générique ou motivées par des problèmes biologiques précis. Elle s'implique aussi dans la mise à disposition de bases de données et de logiciels permettant aux biologistes d'utiliser les outils dans de bonnes conditions ou d'exploiter automatiquement la littérature scientifique. Les questions de recherche de l'équipe Bibliome sont le développement et l'adaptation de méthodes d'Extraction d'information à partir de texte (EI), de Recherche documentaire, de Traitement automatique de la langue (TAL) et d'apprentissage sur des données textuelles, au service de la recherche en biologie. L'approche de l'équipe consiste à développer des méthodes d'acquisition automatique de connaissance et d'ingénierie logicielle pour adapter les traitements linguistiques aux domaines d'application par des méthodes d'apprentissage. Elle développe également l'ensemble des chaînes de traitement nécessaires à l'évaluation et l'exploitation de ces méthodes. Contrat Type : CDD d'ingénieur d'étude. Profil : titulaire d'un diplôme de master 2 ou ingénieur en informatique, bioinformatique, data-science, TAL. Durée: 12 mois renouvelable pouvant aller jusqu'à une période de 24 mois en tout. Date de début d'embauche: septembre 2022 (à négocier). Localisation : un centre INRAE, Jouy en Josas, Clermont ou Montpellier. Rémunération environ 2033¤ brut mensuel, dépend du diplôme et de l'expérience du candidat. Contact : Catherine Roussey, INRAE Centre de Clermont-Ferrand (catherine.roussey@inrae.fr) Co-encadrement par Robert Bossy, INRAE, Jouy-en-Josas (robert.bossy@inrae.fr) Candidature Envoyez un CV et une lettre de motivation à Catherine Roussey (catherine.roussey@inrae.fr). La lettre de motivation doit montrer en quoi vos compétences actuelles répondent au profil de ce poste. Indiquez si possible un référent français ayant travaillé avec vous. Date limite de candidature: décembre 2022. Les entretiens sont menés au fil de l'eau, pour prise de poste au plus tôt. Pour toute demande d'information contacter catherine.roussey@inrae.fr Références [Alvis] Nédellec C, Nazarenko A, Bossy R: Information Extraction. Ontology Handbook. Edited by: Staab S, Studer R. 2008, Springer Verlag, 663-686. URL: github.com/Bibliome/alvisnlp [BSV] C. ROUSSEY, T. ABDERRAHMANI GHORFI. Annotation sémantique pour une interrogation experte des Bulletins de Santé du Végétal. Dans les Actes des 29e Journées Francophones d'Ingénierie des Connaissances IC 2018, adossée à la 11e Plate-forme Francophone d'Intelligence Artificielle, 2-6 juillet 2018, Nancy, p 37-52 Plus d'information sur http://ontology.irstea.fr/pmwiki.php/Site/BSV [Chepaikina et al 2022] A. CHEPAIKINA, R. BOSSY, C. ROUSSEY, S. BERNARD. Enrichissement de ressources sémantiques par extraction de coordinations. Soumission à TALN 2022 [OA] Web Annotation Vocabulary https://www.w3.org/TR/annotation-vocab/ [Roussey et al 2017] C. ROUSSEY, S. BERNARD, F. PINET, X. REBOUD, V. CELLIER, I. SIVADON, D. SIMONNEAU, A-L. BOURIGAULT. A Methodology for the Publication of Agricultural Alert Bulletins as LOD. in Computers and Electronics in Agriculture. Volume 142, Part B, November 2017, p. 632-650. DOI: https://doi.org/10.1016/j.compag.2017.10.022 URL: http://www.sciencedirect.com/science/article/pii/S0168169917306361 [Yacoubi et al 2022] N.YACOUBI AYADI, C. FARON, F. MICHEL, R. BOSSY, A. BARBE. Construction d'un graphe de connaissances à partir des annotations d'articles scientifiques et de leur contenu en sciences de la vie. Soumission à IC 2022.