Offre de stage
Master 2 dans le domaine du TAL

Libellé stage : Analyse de corpus textuels pour la reconnaissance
d'entités spécifiques dans l'industrie de l'énergie

Durée : 6 mois

Lieux :
EDF R&D Lab Saclay et déplacements sur sites industriels en France

Tuteurs : Julien Kahn, Eléna Martel
Contacts : julien.kahn@edf.fr et elena.martel@edf.fr

Entreprise : EDF Recherche & Développement Lab Saclay - Département
PErformance et prévention des Risques Industriels du parC par la
simuLation et les EtudeS (PERICLES) - groupe Facteurs Organisationnels
et Humains (FOH)

Adresse : 7, boulevard Gaspard Monge 91120 PALAISEAU, FRANCE


Contexte industriel

L'approvisionnement en énergie compte parmi les enjeux politiques,
économiques et écologiques décisifs pour l'avenir. La satisfaction de
la demande énergétique mondiale et le respect des objectifs
internationaux de lutte contre le changement climatique imposent de
développer des énergies décarbonées. Le nucléaire apparaît ainsi comme
un élément du mix énergétique du futur.

Dans ce domaine où l'ensemble des intervenants doit être irréprochables
en matière de sûreté et de radioprotection, l'exploitant doit respecter
les Règles générales d'exploitation (RGE). Les RGE sont un recueil de
règles approuvées par l'Autorité de Sûreté Nucléaire qui définissent le
domaine autorisé de fonctionnement de l'installation et les
prescriptions de conduite associées. En effet, tel le Code de la Route,
les RGE regroupent l'ensemble des consignes à respecter par les
exploitants, pour garantir le meilleur niveau de sûreté de leurs
centrales.

Dans le cadre des réflexions associées à la transition numérique du
groupe EDF, il s'agit de participer à la réflexion sur comment
l'intégration d'outils « intelligents » du Traitement Automatique de la
Langue (TAL) écrite peut soutenir l'utilisation des nouvelles RGE.


Définition du stage

Le stage consistera à développer et évaluer une solution de
reconnaissance automatique d'entités (conditions, seuils, conduites à
tenir...) pour les annoter et les baliser (insertion de tags).
L'identification et le balisage se fera sur les RGE. Ceci dans la
perspective d'exploiter les entités identifiées et marquées avec des
outils numériques (recherche d'information, aide à l'exploitation,
analyse de contenu...).

Ce stage fait suite à la définition des entités qui répondent aux
besoins des représentants de différents métiers utilisateurs des RGE.

A titre d'exemple, les balises marquées d'un '-' sont dans le document
XML d'origine, les balises marquées d'un '+' sont à ajouter.
    <-row><-entry><-simpara><+prescription><+condition>Si le
    déclenchement <+matériel>TPA</+matériel> est indisponible
    </+condition>, <+instruction d'action><-modif os="#008080">
    amorcer la baisse de puissance</-modif> en <+domaine
    d'exploitation>RP</+domaine d'exploitation>, <+matériel>GV
    </+matériel> alimentés par <+Système élémentaire>ASG</+Système
    élémentaire>, <+délais>sous <+quantité>8</+quantité>
    <+unité>heures</+unité></+délais>.</+instruction d'action>
    </+prescription></-simpara></-entry></-row>

L'exploration du corpus (environ 800 pages) et la reconnaissance des
entités pourra se faire à l'aide d'expressions régulières et de
grammaire, d'explorations de modèles de langage dédiés à la
reconnaissance d'entités nommées, au moyen de méthodes de Few Shot
Learning, hybrides ou jugées pertinentes. En interface avec une équipe
pluridisciplinaire (ingénieurs en TAL, ingénieurs Facteurs Humains,
concepteurs de nouveaux services), l'approche itérative développée
durant le stage, consistera à :

-   Identifier les entités et les baliser,
-   Evaluer les solutions développées ;
-   Documenter le code ;
-   Présenter les résultats de l'étude.

Au terme du stage le stagiaire aura produit :

-   Un prototype de solution de reconnaissance et marquage automatique ;
-   Une documentation technique ;
-   Le transfert et la dépose du code à l'équipe projet (Gitlab) ;
-   Son rapport de stage avec une mise en perspective des travaux
    réalisés et résultats obtenus.

Les avantages du stage

Au sein de la R&D du groupe EDF ce stage vous permettra :

-   De participer à la phase amont d'un projet industriel.
-   De mettre en oeuvre des outils et techniques d'analyse de corpus XML ;
-   De mettre en oeuvre des techniques d'analyse et de marquage des
    données ;
-   D'évoluer et interagir au sein d'une équipe pluridisciplinaire ;
-   D'être force de proposition dans les phases initiales d'un projet
    de R&D ;


Compétences requises

-   Compétences de base en TAL (python, tokenisation, lemmatisation,
    parsing, prétraitement/ nettoyage des données, regex, etc.).
-   Connaissances d'Hugging face, transformers, SpaCy, Nltk, numpy,
    pandas, scikit-learn et des modèles pré entraînés type BERT,
    RoBERTa, GPT etc.
-   Connaissances de métriques d'évaluation de base (F1 score,
    rappel, précision...).
-   Connaissances des tâches de NER (Name Entity Recognition).
-   Travail en équipe, aisance rédactionnelle et relationnelle,
    autonomie, anglais lu.