About this role
Summary: Develop an approach to automatically generate Hierarchical Task Network (HTN) domains from industrial procedures using LLMs and symbolic validation. The role involves extracting task structures, identifying preconditions and effects, and ensuring model correctness through experimental evaluation.
### Sujet de stage
Dans les secteurs industriels critiques (aéronautique, énergie, robotique), les opérations reposent sur des procédures rédigées en langage naturel. Leur automatisation nécessite de les traduire en modèles formels exploitables par des systèmes de planification automatique.
La planification hiérarchique HTN (Hierarchical Task Network) permet de représenter les opérations sous forme de tâches composées, de méthodes de décomposition et d'actions primitives. Elle offre ainsi un cadre adapté à la modélisation de procédures industrielles complexes. Toutefois, la construction manuelle de ces modèles reste coûteuse et nécessite une expertise importante.
L'IA neuro-symbolique ouvre de nouvelles perspectives en combinant les capacités des grands modèles de langage (LLM) à comprendre les procédures en langage naturel avec les mécanismes de représentation et de vérification formelles de l'IA symbolique.
### Description de l'offre
En tant que stagiaire au CEA, vous aurez l'opportunité de travailler au sein d'un environnement de recherche de renommée mondiale. Nos équipes sont composées d'experts passionnés et dédiés, offrant un cadre propice à l'apprentissage et à la collaboration. Vous aurez accès à des équipements de pointe et à des ressources de recherche de premier ordre pour mener à bien vos missions. Éventuellement, les travaux menés donneront lieu à une publication scientifique.
Contexte :
L’objectif du stage est de concevoir et de développer une approche permettant de générer automatiquement des domaines HTN à partir de procédures industrielles.
Le travail portera notamment sur l’extraction de la structure hiérarchique des tâches, l’identification des préconditions et des effets des actions, et la formalisation des états initiaux, des objectifs et des contraintes de sécurité.
L’approche devra limiter les hallucinations des LLM, rendre explicites les informations manquantes ou incertaines et intégrer des mécanismes de validation symbolique avant la génération des modèles exploitables par un planificateur HTN.
Qu’attendons-nous de vous ?
- État de l’art sur la planification HTN, le langage HDDL, l’extraction de connaissances et les approches neuro-symboliques.
- Conception d’une représentation intermédiaire pour structurer les connaissances extraites des procédures industrielles.
- Développement d’une chaîne d’extraction utilisant des LLM pour identifier les tâches, méthodes de décomposition, actions primitives, préconditions et effets.
- Intégration de mécanismes de validation symbolique pour détecter les incohérences, les informations manquantes et les violations des contraintes de sécurité.
- Génération automatique des domaines HDDL et des fichiers de problème associés.
- Évaluation expérimentale sur un ensemble de procédures, à l’aide d’indicateurs tels que la correction syntaxique, la cohérence logique, la fidélité aux sources et la capacité du planificateur à produire des plans valides.
#*Cea-List*
### Profil du candidat
Étudiant(e) en Master 2 ou dernière année d’école d’ingénieurs en informatique, intelligence artificielle ou domaine connexe.
- Bonnes connaissances en programmation, notamment Python.
- Intérêt pour les grands modèles de langage, l’ingénierie des connaissances et les systèmes symboliques.
- Intérêt pour la représentation formelle des connaissances et la planification automatique.
- Autonomie, rigueur scientifique et capacité à mener une démarche expérimentale.