Description du sujet de thèse

L'inspection des restes fauniques trouvés dans des contextes archéologiques, fournissent aux chercheurs archéozoologues des informations sur les relations passées entre humains et mammifères non humains, les paléoenvironnements, les populations animales passées (biologie) et sur l'économie de subsistance des sociétés anciennes. Ces restes correspondent principalement à des ossements complets et/ou incomplets qui ont été altérés par l'homme et les environnements sur une longue période.
Le processus d'identification anatomique et taxonomique à partir des ossements est réalisé par les archéozoologues principalement sur la base de critères anatomiques, morphologiques et biométriques. Il s'agit d'un travail long, fastidieux et particulièrement exigeant et le développement d'outils d'IA originaux et adaptés pour accompagner les experts dans l'identification taxonomique présente un intérêt particulier. La thèse va donc s'articuler sur deux axes : i) apprentissage supervisé interactif, pour l'identification d'espèce herbivores morphologiquement proches et ii) apprentissage non supervisé pour l'étude de l'évolution morphologique d'os de caprin. L'axe i) va se concentrer sur le développement d'architectures neuronales hybrides de type PointSIFT dont les couches d'entrée pourraient être représentées par des descripteurs anatomiques fournis par l'expert. D'autres approches d'apprentissage à base d'analyse topologique des données (TDA) seront aussi prises en compte aussi bien que des techniques d'IA symboliques permettant d'intégrer la connaissance de l'expert aux modèles d'apprentissage automatique. L'axe ii) sera à l'intersection entre la morphométrie géométrique et l'apprentissage automatique et portera principalement sur le développement de techniques de clustering et apprentissage de dictionnaire à base de transport optimal (typiquement analyse de Procrustes-Wasserstein).

Contexte de travail

Le/la candidat(e) aura un diplôme de master en mathématiques, informatique ou physique et une connaissance profonde de l'apprentissage statistique (machine learning). Des connaissances ou des expériences précédentes en archéologie et archéozoologie seront un plus fortement apprécié. Il/elle adoptera une approche multidisciplinaire (archéozoologie, morphométrie géométrique, mathématiques et informatique) et sera amen(é)e à coder en Python/R. Il/Elle sera bas(é)e au centre INRIA Université Côte d'Azur de Sophia Antipolis et au laboratoire CEPAM-CNRS à Nice. Le contrat doctoral s'inscrit dans le cadre de la chaire de Professeur Junior de M. Corneli et la thèse sera estampillée 3IA (label de l'Institut 3IA Côte d'Azur). Concrètement l'étudiant(e) en PhD sera soumis(e) aux obligations d'enseignement (64h par ans pendant 3 ans) et de formatiosn prévues pour les étudiants financés par l'Institut 3IA. Le/la candidat(e) sera dirigé(e) par Emmanuelle Vila archéozoologue spécialiste d'exploitation des animaux au Proche-Orient ancien et en Méditerranée orientale, co-dirigé(e) par Marco Corneli, expert d'apprentissage statistique et co-encadré(e) par Manon Vuillien, archéozoologue.