Offre de thèse en intelligence artificielle pour la gestion des ressources halieutiques

1. TITRE Quantification de l’incertitude prédictive, fondée sur la théorie de l’évidence, appliquée à l’estimation des traits de vie des poissons à partir d’images d’otolithes 3D
2.  DATE DE DEBUT ET DUREE  Septembre/Octobre 2026, 36 mois
3.  FINANCEMENT 50% IFSEA / 50% Université d'Artois (demandé) 
4. LOCALISATION Les travaux seront menés en collaboration entre le Laboratoire de Génie Informatique et d'Automatique de l'Artois (LGI2A) à Béthune et le Laboratoire d'Informatique Signal et Image de la Côte d'Opale (LISIC) à Calais.
5. SUJET La connaissance des traits de vie des poissons (habitat, âge, croissance, reproduction, longévité, position dans la colonne d’eau…) est un aspect essentiel pour une gestion efficace et durable des stocks de poissons marins. Les pièces calcifiées, et précisément les otolithes qui sont les seules pièces métaboliquement inertes, sont une source d’information précieuse à cette fin. Notamment, leur forme externe, caractérisée historiquement à partir d’images en 2D et plus récemment étudiée en 3D, permet de prédire de façon très précise ces différents traits de vie. Les images 3D, si elles sont plus informatives, sont néanmoins plus coûteuses et récentes et par conséquent moins nombreuses. Il convient donc d’utiliser au mieux cette source d’information riche mais restreinte, afin d’obtenir les prédictions les plus fiables et précises possibles. La théorie de l’évidence, aussi appelée théorie de Dempster-Shafer ou théorie des fonctions de croyance, est une généralisation du cadre probabiliste pour le raisonnement sous incertitudes. Son utilisation dans le cadre de la quantification des incertitudes dans des prédictions est particulièrement indiquée pour le cas où le nombre de données est faible. Ce projet de thèse vise ainsi à développer des méthodes prédictives fondées sur cette théorie et adaptées aux approches actuelles en matière de prédiction des traits de vie des poissons à partir d’images d’otolithes 3D. Étant donné la nature de ce type d’application, au niveau méthodologique, la prédiction de variables ordinales sera au centre du projet. Plus de détails disponibles ici: https://www.lgi2a.univ-artois.fr/spip/fr/postes_ouverts/poste-ouvert-32
6. ENCADREMENT Directeur : Prof. Frédéric Pichon, Université d’Artois, LGI2A, Co-directrice : Prof. Emilie Poisson Caillault, Université du Littoral Côte d'Opale, LISIC, Co-encadrant : Dr. Sébastien Ramel, Université d’Artois, LGI2A

------ English version below ------

1. TITLE Evidential prediction uncertainty quantification for fish life traits from 3D otolith image
2. STARTDATE AND DURATION September/October 2026, 36 months
3. FUNDING 50% IFSEA / 50% Artois University (requested)
4. LOCATION The work will be carried out in collaboration between the Laboratory of Computer Engineering and Automation of Artois (LGI2A) in Béthune and the Laboratory of Informatics, Signal and Image of the Opal Coast (LISIC) in Calais.
5. SUBJECT Understanding fish life traits (habitat, age, growth, reproduction, longevity, position in the water column, …) is an essential aspect of effective and sustainable management of marine fish stocks. Calcified structures — particularly otoliths, which are the only metabolically inert elements — provide a valuable source of information for this purpose. Notably, their external shape, historically characterized from 2D images and more recently studied in 3D, makes it possible to predict these life traits with high precision. Although 3D images are more informative, they are also more costly to acquire and relatively recent, and therefore less abundant. It is thus necessary to make the best possible use of this rich yet limited source of information in order to obtain the most reliable and accurate predictions. The theory of evidence, also known as Dempster–Shafer theory or the theory of belief functions, is a generalization of the probabilistic framework for reasoning under uncertainty. Its use for uncertainty quantification in predictive modeling is particularly suitable in cases where data are scarce. This PhD project therefore aims to develop predictive methods based on this theory and adapted to current approaches for predicting fish life traits from 3D otolith images. Given the nature of this application, the prediction of ordinal variables will be at the core of the methodological developments. More detail available here: https://www.lgi2a.univ-artois.fr/spip/en/open_positions/open-position-32
6. SUPERVISION Supervisor: Prof. Frédéric Pichon, Artois University, LGI2A, Co-supervisor: Prof. Emilie Poisson Caillault, University of the Littoral Opal Coast (ULCO), LISIC, Scientific advisor: Dr. Sébastien Ramel, Artois University, LGI2A

Le laboratoire LGI2A (Laboratoire de Génie Informatique et d’Automatique de l’Artois) est une équipe d’accueil du ministère de l’éducation nationale, de l’enseignement supérieur et de la recherche (UR 3926).

Ce laboratoire créé en 2000, regroupe actuellement une quinzaine d’enseignants-chercheurs au sein d’une même équipe « Aide à la Décision » structurée autour de deux thèmes prioritaires : Optimisation des Systèmes Complexes, Décision et Fusion d'Informations.

Les domaines d'applications phares de notre laboratoire concernent la Logistique et la Mobilité durables.

La candidate ou le candidat devra être titulaire d'un master ou d'un titre d'ingénieur en informatique, mathématiques appliquées ou champ connexe. Des connaissances en intelligence artificielle (apprentissage automatique) et/ou en traitement de l'image seront un atout, ainsi qu’une sensibilisation aux méthodes de gestion de l'incertitude. Les qualités permettant de mener à terme un programme de doctorat telles que la curiosité, la créativité, l’autonomie, l’esprit critique et l’enthousiasme, seront nécessaires

------ English version below ------

The candidate must hold a master degree or an engineer degree in computer science, applied mathematics or related field. Knowledge in artificial intelligence (machine learning) and/or image processing will be an asset, as well as an awareness of uncertainty management methods. Qualities required to successfully complete a doctoral program such as curiosity, creativity, autonomy, critical thinking, and enthusiasm will be necessary.