Conception et l’implémentation d’un modèle d’apprentissage fédéré permettant l’évaluation décentralisée d’actifs

Contexte

T-RIZE est une entreprise institutionnelle spécialisée dans la tokenisation d’actifs, permettant aux propriétaires d’accéder à du financement à l’international.

Dans le cadre de nos opérations, nous développons une méthode d’apprentissage basée sur le federated learning, garantissant que les données utilisées pour entraîner un modèle restent sous le contrôle de leur propriétaire. Cette approche est essentielle pour nos clients dans des secteurs réglementés ou sensibles comme l’immobilier et les marchés financiers.

Le feature encoding et les modèles bidirectionnels semblent prometteurs lorsque les données sont distribuées de façon hétérogène à travers plusieurs entraîneurs. Ils ont le potentiel de faciliter l’intégration de sources de données variées, qui diffèrent en structure et en qualité.

Le développeur IA participera à la conception et à l’implémentation d’un modèle d’apprentissage fédéré permettant l’évaluation décentralisée d’actifs, en mettant l’accent sur l’optimisation du déploiement et de l’interprétabilité des modèles grâce à ces techniques avancées.

Tâches

• Développer des modèles exploitant le feature encoding et les architectures bidirectionnelles pour faire l’apprentissage de données hétérogènes.

• Concevoir et intégrer les modèles dans l’infrastructure de T-RIZE pour le Federated Learning.

• Collaborer avec les experts en finance et en blockchain pour intégrer ces modèles dans notre plateforme de tokenisation.

Pourquoi rejoindre ce projet?

Parce que vous avez un profil pratique, désireux de construire des logiciels avec des applications réelles. Ce projet est une opportunité unique d’innover à l’intersection de l’IA, de la finance et de la blockchain, en travaillant sur des solutions garantissant la protection des données sensibles tout en optimisant l’évaluation des actifs.

Le candidat ou la candidate travaillera sous la supervision du Professeur Kaiwen Zhang, responsable de la Chaire de recherche industrielle T-RIZE Labs, et collaborera avec d'autres chercheurs du T-RIZE Labs et ingénieurs du groupe T-RIZE.