CDD de Post Doc pour du traitement du langage naturel appliqué à la robotique sociale

@ ICAR (InSitu Team), Ecole Normale Supérieure de Lyon

Durée: 12 mois a discuter - Début fin 2023 ou avant, à discuter

Projet: PepperMint financé par ASLAN Labex (https://peppermint.projet.liris.cnrs.fr/)

Partenaires: LIRIS (SyCoSMA, SAARA Teams), ICAR (InSitu Team), Université d'Oulu-Finlande 
(GenZ)

Rémunération : à partir de 2 964 ¤ brut mensuel

Contacts : Dr Heike Baldauf-Quilliatre, Dr Frédéric Armetta, Dr Mathieu Lefort

Candidatures (CV + lettre de motivation): envoyées à frederic.armetta@univ-lyon1.fr , 
mathieu.lefort@univ-lyon1.fr et heike.baldaufquilliatre@ens-lyon.fr et déposées sur le site : 
https://emploi.cnrs.fr/Offres

Synthèse

Nous recrutons en post-doctorat sur la thématique des agents
conversationnels orientés but (apprentissage automatique, NLP (Natural
Language Processing), HRI (Human-Robot Interactions), multi-modalité)
à Lyon (offre détaillée ci-dessous) pour une durée d'un an à discuter.
Si vous avez une expérience concernant les agents conversationnels, ou
souhaitez approfondir ce thème, n'hésitez pas à candidater !

Sujet

Le projet PepperMint (https://peppermint.projet.liris.cnrs.fr/) est
financé par le Labex ASLAN (https://aslan.universite-lyon.fr/). Il
propose une étude exploratoire des pratiques incarnées de prise de
tours de parole dans l'Interaction Humain-Robot (IHR) permettant
d'améliorer les capacités sociales des robots et rendre l'IHR plus
naturelle pour les humains. Le projet initie une coopération entre des
chercheurs en Intelligence Artificielle (IA) (LIRIS) et Analyse
Conversationnelle (AC) (ICAR et GenZ Oulu - Finlande). Il étudie si et
comment les résultats de l'AC sur l'interaction naturelle peuvent être
utilisés pour développer des modèles d'IA innovants et efficaces pour
l'IHR.

Le cas d'application choisi correspond à un robot Pepper ayant pour
rôle d'informer et orienter les utilisateurs dans une
bibliothèque. Afin d'accomplir sa tâche, le robot utilise actuellement
pour sa politique de dialogue une machine à états finis, celle-ci
étant conçue pour gérer la sémantique de la conversation (et fournir
des réponses à des questions telles que où trouver un livre de
biologie par exemple). Du point de vue du robot, le cours de la
conversation passe d'un état à l'autre, grâce à des transitions
déclenchées par des intentions uniquement orientées vers la tâche,
reconnues dans les phrases prononcées par l'utilisateur du
système. Bien entendu, une interaction aussi systématique ne rend pas
l'interaction naturelle, car elle exclut le caractère émergent de
l'interaction. En effet chaque étape de la conversation peut mener à
différents types de réponses, suivant la manière dont les humains
l'interprètent.

L'interaction doit ainsi suivre des règles spécifiques. Par exemple,
une offre ("comment puis-je vous aider ?") doit être suivie d'une
acceptation ("oui, je voudrais ...") ou d'un rejet ("eh bien, hum
...").  De nombreux motifs séquentiels de ce type sont imbriqués dans
l'interaction et sont au moins aussi importants que le contenu
sémantique porté par l'échange pour rendre l'interaction naturelle.
Le projet en cours a déjà recueilli quelque 30 heures de sessions
d'enregistrement à partir desquelles de tels schémas sont actuellement
analysés et étiquetés. Afin de proposer un meilleur schéma interactif,
nous prévoyons de reconnaître et qualifier ces motifs afin de les
exploiter pour rendre la gestion de la conversation plus naturelle et
définir la "bonne" interprétation et la "meilleure" réponse pour
l'utilisateur. Plus précisément, l'analyse du texte parlé nécessitera
une reconnaissance des intentions émises (NLU) basée sur
l'apprentissage (Few-Shot Learning) incluant ce niveau
d'interaction. La politique de dialogue devra alors intégrer ce canal
complémentaire (ceci pourra être fait grâce à une simple adaptation de
la machine à états finis mais un cadre de politique de conversation
plus générique et innovant dédié à notre approche pourrait être
développé).

L'objectif de ce poste est ainsi d'utiliser l'ensemble des données
annotées pour des méthodes d'apprentissage automatique afin de
proposer un nouveau modèle d'IA pour l'HRI (Human Robot
Interaction). L'apprentissage sera basé sur la modalité du langage,
mais pourra également être étendu à d'autres modalités également
collectées qui pourraient avantageusement aider à la détection.

Pour ce sujet, le candidat recruté :

- Collaborera avec un Post-Doc dans le domaine de l'Analyse des
  Conversations

- Développera une amélioration de l'application HRI (amélioration du
modèle de prise de tour et intégration dans la politique de dialogue
d'un agent conversationnel orienté but), en collaboration avec un
ingénieur de recherche recruté

- Contribuer aux activités de communication (scientifique) du projet
  PepperMint.

Compétences requises :

Nous recherchons un candidat ayant les compétences et l'expérience suivante :

- Expérience de l'IA et de l'apprentissage automatique (idéalement une
expérience dans le domaine du NLP)

- Un anglais courant ou de bon niveau

- Une Ouverture d'esprit, travail en équipe, autonomie et capacité à
interagir avec d'autres disciplines comme les sciences
sociales. Intérêt pour la recherche interdisciplinaire

- Un intérêt pour la robotique sociale (interaction homme-robot) serait un plus.



Candidature en ligne : https://emploi.cnrs.fr/Offres/CDD/UMR5191-MAXPEN-022/Default.aspx