Avec plus de 15 000 étudiants, une offre de formation pluridisciplinaire riche d’une centaine de diplômes nationaux et des laboratoires de qualité qui la font apparaître dans le classement de Shanghai, l'université Savoie Mont Blanc, membre de l’alliance européenne UNITA, est un établissement à taille humaine qui conjugue la recherche et la professionnalisation, la proximité avec ses territoires et une large ouverture sur le monde.
Sur ses trois campus d’Annecy, du Bourget-du-Lac et de Jacob-Bellecombette, elle propose différents cursus courts et longs (Diplômes d’université, Bachelors universitaires de technologie, Licences, Masters, Doctorats, Diplômes d'ingénieurs) que ce soit en formation initiale ou continue, en alternance ou via diverses validations, en présentiel ou à distance.
Entre Genève, Turin, Lyon et Grenoble, aux frontières de la Suisse et de l'Italie, avec le concours des collectivités qui l’ont vu naître et des entreprises qui l’accompagnent, elle est un acteur majeur du dynamique écosystème national et transfrontalier, fortement impliqué dans son développement économique, social et culturel.
Le Laboratoire d’Informatique, Systèmes, Traitement de l’Information et de la Connaissance (LISTIC) est une Unité de Recherche (UR) de l’Université Savoie Mont Blanc (USMB), reconnue depuis 2003 par le Ministère en tant qu’équipe d’accueil (EA3703). Son projet scientifique se concentre sur l’apprentissage automatique et la fusion d’information ainsi que sur les réseaux et les systèmes. Ses travaux portent sur la modélisation, la spécification et le développement de théories, d’algorithmes et de systèmes pour extraire et gérer les connaissances, notamment dans les domaines de l’observation de la Terre et du comportement humain.
Ref Emploi : LISTICTSAI
Affectation : Laboratoire LISTIC (composante d’affectation : Polytech Annecy-Chambéry) - Site d’Annecy - 5 Chemin de Bellevue - 74940 Annecy
I. Description du projet et activités de recherche associées
Titre : IA distribuée économe en énergie sur des clusters hétérogènes
En 2020, les technologies de l'information et de la communication (TIC) représentaient déjà 4,4 % de la consommation mondiale d'électricité (Malmodin et al., 2024), une part qui devrait augmenter, notamment avec l'émergence des outils d'intelligence artificielle (IA), tels que les grands modèles linguistiques. En effet, l'ADEME (Agence de l'environnement et de la maîtrise de l'énergie) prévoit un triplement des émissions de gaz à effet de serre et une augmentation de 80 % de la consommation d'électricité pour ce secteur d'ici 2050. L'entraînement de ces modèles nécessite d'énormes ressources informatiques, et donc énergétiques, ce qui entraîne des émissions substantielles de gaz à effet de serre (Patterson et al., 2021) et une consommation d'eau importante pour le refroidissement des serveurs (Li et al., 2021).
Cette augmentation de la demande énergétique est due à l'expansion rapide des besoins en puissance de calcul : depuis 2012, la puissance de calcul nécessaire pour entraîner les modèles d'IA a doublé environ tous les trois à quatre mois (Amodei et al., 2018). Cette tendance a été rendue possible par l'utilisation d'unités de calcul parallèles, telles que les GPU, qui accélèrent considérablement les processus d'apprentissage automatique. Les clusters équipés de GPU, associés à des unités de calcul traditionnelles, permettent de paralléliser les calculs sur plusieurs machines, mais ils soulèvent des problèmes liés aux systèmes distribués, notamment l’ordonnancement des tâches, la tolérance aux pannes et la répartition de la charge de travail. Malgré leur importance, l'intersection entre l'efficacité énergétique, l'empreinte environnementale, l'IA et les systèmes distribués reste largement inexplorée (Orgerie et al., 2014), car la plupart des recherches continuent de privilégier les performances et l'évolutivité au détriment des considérations environnementales (Guo et al., 2024 ; Joost Verbraeken et al., 2021).
Les conclusions récentes du rapport ADEME-Arcep (ADEME, 2025) mettent en évidence l’empreinte carbone importante du secteur des TIC, 50 % des émissions étant imputables aux terminaux et 46 % aux centres de données. La plupart des émissions liées aux appareils proviennent des processus de fabrication, de distribution et de fin de vie plutôt que de leur utilisation opérationnelle. Ces observations remettent en question le paradigme actuel des clusters homogènes, qui reposent sur des machines identiques connectées via des liaisons haut débit uniformes.
Nous estimons que les cadres actuels d'IA distribuée ne sont pas adaptés aux environnements informatiques hétérogènes. Les algorithmes conçus pour des plateformes homogènes traitent les machines plus lentes comme des goulots d'étranglement, ce qui entraîne des temps d'inactivité, des inefficacités et une consommation d'énergie inutile. Cette conception conduit au remplacement prématuré du matériel plus lent, nécessite des investissements dans de grands parcs de machines identiques et limite la réutilisation des ressources existantes. Par conséquent, l'approche conventionnelle de l'entraînement en IA aggrave l'impact environnemental des infrastructures informatiques à grande échelle.
L'objectif de ce post-doctorat est d'évaluer, de comparer et de mettre en œuvre de nouvelles solutions visant à réduire l'impact environnemental et la consommation d'énergie de l'entraînement distribué dans un environnement informatique hétérogène.
Un outil open source, DAHL, est en cours de développement. DAHL est un framework d'apprentissage automatique conçu pour minimiser l'empreinte énergétique de l'entraînement de l'IA sur une seule machine et pour fonctionner efficacement dans des environnements informatiques hétérogènes. Il vise à entraîner un réseau neuronal convolutif (CNN) sur plusieurs ensembles de données.
En tirant parti de la diversité des ressources matérielles, ce cadre permet une exécution flexible des opérations sur différentes unités de calcul et prend en charge un ordonnancement et un équilibrage de charge qui tient compte de la consommation énergétique, permettant ainsi un apprentissage d’IA plus efficace. Contrairement aux frameworks existants tels que PyTorch, TensorFlow ou Candle, que nous avons jugés trop restrictifs pour la mise en œuvre de la gestion de l'hétérogénéité, DAHL s'appuie sur StarPU (Augonnet et al., 2008), un outil de calcul haute performance proposant plusieurs ordonnanceurs, y compris des options tenant compte de la consommation d'énergie. Cette architecture permet un contrôle total sur la granularité des tâches, la répartition entre les CPU et les GPU, l'adaptation des stratégies de parallélisation et les optimisations de bas niveau. Au lieu de paralléliser des couches CNN entières, notre approche opère à une granularité plus fine, offrant une plus grande flexibilité et efficacité.
Le principal objectif de ce post-doctorat consiste à étendre DAHL d'un cadre mono-machine à un cadre multi-machines, sur une plateforme hétérogène, tout en optimisant l'efficacité énergétique. Ensuite, sur la base de cette nouvelle version de DAHL, le deuxième objectif consiste à explorer différentes évaluations de la plateforme et à comparer, par rapport à l'état de l'art, l'impact de divers facteurs — tels que la latence du réseau, la topologie du réseau, l'empreinte carbone de la plateforme, les stratégies dynamiques de mise en marche/arrêt des machines, le report des tâches et la résilience/tolérance aux pannes du système — sur les performances globales et la consommation d'énergie.
Les expériences prévues permettront d'évaluer la manière dont la plateforme prend en charge l'hétérogénéité afin de s'adapter à divers équipements et topologies de réseau (Won et al., 2024). Nous étudierons également comment le dimensionnement et le placement de la charge de travail influencent la consommation d'énergie (Freeh, 2005), (De Langen, 2006), y compris des stratégies dynamiques telles que « follow-the-sun » ou « follow-the-wind » pour exploiter des sites d'énergie plus verte (Figuerola, 2009). Des évaluations supplémentaires exploreront les compromis entre le report des tâches, la dégradation des résultats, le temps d'exécution et la consommation d'énergie (Madon, 2024), offrant ainsi une compréhension globale de l'efficacité du système dans des conditions hétérogènes.
II. Missions et activités du poste
Le calendrier provisoire du post-doctorat commence par l'extension de DAHL à plusieurs machines, suivie d'une évaluation comparative par rapport à l'état de l'art. Les premières expériences s'appuieront sur l'infrastructure existante, notamment les GPU et les CPU déjà disponibles au sein du laboratoire LISTIC, garantissant un accès immédiat aux données et au matériel dès le début de la bourse postdoctorale.
Les phases suivantes se concentreront sur le développement et le test d'algorithmes de planification et d'équilibrage de charge tenant compte de la consommation d'énergie sur des plateformes hétérogènes. Ces travaux abordent un domaine largement inexploré à la croisée de l'IA distribuée, de l'efficacité énergétique et du calcul hétérogène.
Le poste comprendra les tâches suivantes :
- Mois 1 à 6 : Se familiariser avec l'état de l'art dans le domaine, en mettant particulièrement l'accent sur la compréhension de l'outil DAHL. Assister le doctorant dans ses travaux de simulation.
- Mois 7 à 15 : Proposer un nouveau prototype qui généralise la solution du doctorant. La solution actuelle ne concerne qu'une seule machine ; le chercheur postdoctoral concevra une extension de DAHL pour prendre en charge plusieurs machines.
- Mois 10 à 20 : Mener des expériences pour évaluer les outils améliorés, par exemple en mesurant l'impact de la latence et du transfert de données entre des machines en réseau.
- Mois 20 à 24 : Diffuser les résultats en publiant l'outil mis à jour sur GitHub et en rédigeant des articles scientifiques.
Pour tout renseignement complémentaire et contact utiles, veuillez consulter l'offre en cliquant ICI
I. Conditions d’exercice
A temps plein et en présentiel au sein du laboratoire LISTIC.
II. Compétences attendues
Le chercheur ou la chercheuse postdoctoral-e doit posséder une expertise dans le domaine des systèmes distribués et des réseaux. Il ou elle sera également chargé-e d'encadrer un stagiaire qui l'assistera dans la réalisation des simulations une fois que le prototype multi-machines sera opérationnel.
III. Conditions de recrutement
Le recrutement est ouvert aux personnes titulaires d’un doctorat délivré par une université française, ou d’un diplôme reconnu équivalent par l’université, notamment un doctorat ou PhD délivré par une université étrangère.
Contrat de niveau A à durée déterminée du 01/10/2026 au 30/09/2028 à temps plein. Les 3 premiers mois du contrat seront considérés comme période d’essai
IV. Comment candidater
Transmettre les documents suivants dans un fichier pdf unique nommé LISTICTSAI_NOM PRENOM :
Curriculum Vitae
Lettre de motivation
Copie(s) du ou des diplômes
Rapport de soutenance de thèse